文档帮助中心文档
创建Cox比例风险模型
fitcox(X,T)
coxMdl = fitcox(X,T,名称,值)
的fitcox函数为生命周期数据创建Cox比例风险模型。基本的Cox模型包括一个危险函数h0(t)和模型系数b这样,对于预测者X,即当时的危险率t是
fitcox
X
h ( X 我 , t ) = h 0 ( t ) 经验值 [ ∑ j = 1 p x 我 j b j ] ,
在哪里b系数不依赖于时间。fitcox推导出两个模型系数b以及危害率h0(t),并将它们作为属性存储在结果中CoxModel对象。
CoxModel
完整的Cox模型包括对基本模型的扩展,例如关于不同基线的危险或分层变量的包含。看到Cox比例风险模型的扩展.
coxMdl = fitcox(X,T)返回一个Cox比例风险模型对象coxMdl使用预测值X以及活动时间T.
coxMdl = fitcox(X,T)
T
coxMdl
例子
coxMdl = fitcox(X,T,名称,值)使用一个或多个修改适合度名称,值参数。例如,当数据包含审查(未观察到的值)时,将审查参数指定删除的数据。
coxMdl = fitcox(X,T,名称,值)
名称,值
审查
全部折叠
具有相同形状参数的威布尔随机变量具有成比例的危险率;看到威布尔分布.带尺度参数的危险率 一个 形状参数 b 在时间 t 是
b 一个 b t b - 1 .
从尺度参数为1,5和1/3且形状参数相同的威布尔分布中生成伪随机样本B.
B
rng默认的%用于再现性B = 2;A = ones(100,1);data1 = wblrnd(A,B);A2 = 5* a;data2 = wblrnd(A2,B);A3 = a /3;data3 = wblrnd(A3,B);
创建一个数据表。预测因子是三种变量类型,1、2或3。
predictors = categorical([A;2*A;3*A]);数据= table(predictors,[data1;data2;data3],“VariableNames”, (“预测”“次”]);
对数据进行Cox回归拟合。
MDL = fitcox(数据,“次”)
mdl = Cox比例风险回归模型:Beta SE zStat pValue _______ _______ _______ __________ Predictors_2 -3.5834 0.33187 -10.798 3.5299e-27 Predictors_3 2.1668 0.20802 10.416 2.0899e-25
rate = exp(mll . coefficients . beta)
率=2×10.0278 - 8.7301
进行Cox比例风险回归灯泡数据集,其中包含模拟灯泡的寿命。灯泡数据的第一列包含两种不同类型灯泡的寿命(以小时为单位)。第二列包含一个二进制变量,指示灯泡是荧光灯还是白炽灯;0表示灯泡是荧光灯,1表示灯泡是白炽灯。第三列包含审查信息,其中0表示灯泡被观察到故障,1表示观察被审查。
灯泡
加载灯泡数据集。
负载灯泡
为灯泡的寿命拟合考克斯比例风险模型,考虑审查。预测变量是灯泡的类型。
coxMdl = fitcox(灯泡(:,2),灯泡(:,1),...“审查”灯泡(:3))
coxMdl = Cox比例风险回归模型:Beta SE zStat pValue ______ ______ ______ __________ X1 4.7262 1.0372 4.5568 5.1936e-06
通过评价找出白炽灯和荧光灯的危害率 经验值 ( B e t 一个 ) .
hr = exp(coxmll . coefficients . beta)
Hr = 112.8646
对危险比的估计为 e B e t 一个 = 112.8646,这意味着白炽灯的估计危害是荧光灯的112.86倍。的小值coxMdl.Coefficients.pValue表明两种灯泡的危害率相同的可能性微乎其微,也就是说β= 0。
coxMdl.Coefficients.pValue
β
预测值,以矩阵或表格的形式指定。
矩阵包含每个预测器的一列和每个观测值的一行。
每个表为每个观察值包含一行。表还可以包含时间数据和预测器。
默认情况下,如果预测器数据在表格中,fitcox如果一个变量是逻辑向量、分类向量、字符数组、字符串数组或字符向量的单元格数组,则假定该变量是分类的。如果预测器数据是一个矩阵,fitcox假设所有预测因子都是连续的。要将任何其他预测符标识为类别预测符,请使用CategoricalPredictors名称-值参数。
CategoricalPredictors
如果X,T的值。“频率”的值“分层”包含南值,然后fitcox使用南当拟合Cox模型时,所有数据的值。
“频率”
“分层”
南
数据类型:双|表格|分类
双
表格
分类
事件时间,指定为下列之一:
实列向量。
实矩阵,两列表示开始和停止时间。
表中列的名称X.
用威尔金森符号表示的公式X.例如,指定表中的列“x”而且“y”都在模型中,使用
“x”
“y”
'T ~ x + y'
看到威尔金森符号.
对于向量或矩阵项,的行数T必须和的行数相同X.
使用的两列形式T拟合具有时变系数的模型。看到具有时变协变量的Cox比例风险模型.
数据类型:单|双|字符|字符串
单
字符
字符串
的可选逗号分隔对名称,值参数。的名字参数名称和价值对应的值。的名字必须出现在引号内。您可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家.
的名字
价值
Name1, Value1,…,的家
岑
“审查”,岑
基线
意思是(X)
0
X计算基线危险的值,指定为实标量或行向量。如果基线是一个行向量,它的长度是预测器的数量,所以每个预测器都有一个基线。
连续预测器的默认基线为意思是(X),则违约风险率为X对于这些预测因素是h(t)*exp((X - mean(X))*b).类别预测器的默认基线是0.输入0计算相对于0的所有预测因子的基线,即X是h (t) * exp (X * b).改变基线会改变风险比,但不会影响系数估计。
h(t)*exp((X - mean(X))*b)
h (t) * exp (X * b)
对于已识别的分类预测因子,fitcox创建虚拟变量。fitcox创建的虚拟变量比类别数少一个。详细信息请参见自动创建虚拟变量.
例子:“基线”,0
“基线”,0
数据类型:双
0.01 /性病(X)
系数初始值,指定为系数值的数值向量。这些值初始化由执行的可能性最大化迭代fitcox.
“所有”
类别预测符列表,指定为此表中的值之一。
真正的
PredictorNames
默认情况下,如果预测器数据在表格中,fitcox如果一个变量是逻辑向量、分类向量、字符数组、字符串数组或字符向量的单元格数组,则假定该变量是分类的。如果预测器数据是一个矩阵,fitcox假设所有预测因子都是连续的。要将任何其他预测符标识为类别预测符,请使用“CategoricalPredictors”名称-值参数。
“CategoricalPredictors”
例子:“CategoricalPredictors”、“所有”
“CategoricalPredictors”、“所有”
数据类型:单|双|逻辑|字符|字符串|细胞
逻辑
细胞
用于审查的指示器,指定为具有相同行数的布尔向量X或者表中列的名称X.用1表示正确截尾的观测值,用0表示完全观测值。默认情况下,所有观测值都是完全观测的。有关示例,请参见截尾数据的Cox比例风险模型.
例子:“审查”,岑
数据类型:逻辑
频率
观测的频率或权重,指定为大小相同的数组T包含非负标量值。该数组可以包含与观测频率对应的整数值,也可以包含与观测权重对应的非负值。
默认为每行1个X而且T.
例子:“频率”,w
“频率”,w
OptimizationOptions
算法控制参数为迭代算法fitcox用于估计作为结构指定的解决方案。使用以下命令创建此结构statset.参数名称和默认值请参见下表或输入statset(“fitcox”).
statset
statset(“fitcox”)
在表中,“终止容差”意味着如果内部迭代导致声明值的变化小于容差,则迭代停止。
显示
“关闭”—默认为无。
“关闭”
“最后一次”-最终输出
“最后一次”
“通路”-每次迭代的输出
“通路”
MaxFunEvals
200
麦克斯特
One hundred.
TolFun
1 e-8
TolX
例子:OptimizationOptions, statset (' TolX ', 1 e-6,麦克斯特,200)
OptimizationOptions, statset (' TolX ', 1 e-6,麦克斯特,200)
预测器变量名,指定为唯一名称的字符串数组或唯一字符向量的单元格数组。的功能“PredictorNames”这取决于你如何提供训练数据。
“PredictorNames”
如果你提供X作为一个数字数组,那么你可以使用“PredictorNames”中预测变量的名称X.
里面名字的顺序PredictorNames必须对应的列顺序X.也就是说,PredictorNames {1}名字是X (: 1),PredictorNames {2}名字是X (:, 2)等等。同时,大小(X, 2)而且元素个数(PredictorNames)必须是相等的。
PredictorNames {1}
X (: 1)
PredictorNames {2}
X (:, 2)
大小(X, 2)
元素个数(PredictorNames)
默认情况下,PredictorNames是{X1, X2,…}.
{X1, X2,…}
如果你提供X作为一个表,那么你可以使用“PredictorNames”选择在训练中使用哪些预测变量。也就是说,fitcox中仅使用预测变量PredictorNames训练中的时间变量。
PredictorNames的子集X.Properties.VariableNames且不能包括时间变量的名称T.
X.Properties.VariableNames
默认情况下,PredictorNames包含所有预测变量的名称。
指定使用其中之一进行训练的预测器“PredictorNames”或者威尔金森符号的公式,但不能两者都用。
例子:PredictorNames,{“性别”、“年龄”、“重量”,“烟民”}
PredictorNames,{“性别”、“年龄”、“重量”,“烟民”}
数据类型:字符串|细胞
分层
[]
分层变量,指定为实值矩阵,表中列的名称X,或一个分类变量数组。矩阵的行数必须与T,每一行对应一个观察值。
默认的[]没有分层变量。
例子:“分层”,性别
“分层”,性别
数据类型:单|双|字符|字符串|分类
TieBreakMethod
‘‘健康’
“埃夫隆”
方法处理绑定故障时间,指定为‘‘健康’(Breslow的方法)或者“埃夫隆”(埃夫隆的方法)。看到捆绑事件的部分似然函数.
例子:“TieBreakMethod”、“埃夫隆”
“TieBreakMethod”、“埃夫隆”
数据类型:字符|字符串
CoxModel|hazardratio|生存|plotSurvival|linhyptest|coefci|coxphfit
hazardratio
生存
plotSurvival
linhyptest
coefci
coxphfit
您有这个示例的修改版本。要使用编辑打开此示例吗?
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您所在的位置,我们建议您选择:.
您也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系当地办事处