两组幸存者函数

打开直播脚本

这个例子展示了如何使用Burr类型XII分布拟合两组数据来找到经验幸存者函数和参数幸存者函数。

步骤1。加载并准备样本数据。

加载样本数据。

负载(“lightbulb.mat”）

数据的第一列具有两种类型的灯泡的寿命（以小时）。第二列具有有关灯泡类型的信息。0表示荧光灯泡，而1表示白炽灯泡。第三列具有审查信息。1表示缩短的数据，0表示确切的故障时间。这是模拟数据。

为每个灯泡类型创建一个变量，并包括审查信息。

Fluo = [灯泡（灯泡（:,2）== 0,1），..．灯泡(灯泡(:,2)= = 0,3)];insc =[灯泡(灯泡(:,2)= = 1,- 1),..．灯泡(灯泡(:,2)= = 1,3)];

步骤2。绘制估计幸存者函数。

为两种不同类型的灯泡绘制估计幸存者函数。

图()[f,x,flow,fup] = ecdf(fluo(:，1)，“审查”氟(:2),..．'功能'，“幸存者”）;ax₁=楼梯(x, f);持有在楼梯(x,流,'：'）楼梯（x，fup，'：') [f,x,flow,fup] = ecdf(insc(:，1)，“审查”insc (: 2),..．'功能'，“幸存者”）;AX2 =楼梯（X，F，“颜色”，“r”）;楼梯(x,流,“:r”）楼梯（x，fup，“:r”）图例（[AX1，AX2]，{'荧光'，“白炽灯”}）xlabel（的寿命(小时)）ylabel（“存活率”）

图中包含一个坐标轴。轴线包含6个楼梯类型的物体。这些物体代表荧光，白炽灯。

你可以看到白炽灯的存活几率比荧光灯小得多。

步骤3。适合毛刺XII型分布。

将毛刺分布与荧光灯和白炽灯的寿命数据拟合。

pd = fitdist(氟(:1),“毛刺”，'审查'氟(:2))

α = 29143.4 [0.903922, 9.39617e+08] c = 3.44582 [2.13013, 5.57417] k = 33.7039 [8.10737e-14, 1.40114e+16]

pd2 = fitdist (insc (: 1),“毛刺”，'审查'insc (: 2))

pd2 =毛刺分布alpha = 2650.76 [430.773, 16311.4] c = 3.41898 [2.16794, 5.39197] k = 4.5891 [0.0307809, 684.185]

叠加毛刺型XII幸存者功能。

AX3 = PLOT（0：500：15000,1-CDF（“毛刺”, 0:500:15000, 29143.5,..．3.44582, 33.704),'M'）;大举裁员=情节(0:500:5000 1-cdf (“毛刺”, 0:500:5000, 2650.76,..．3.41898, 4.5891),‘g’）;传奇([ax₁;ax2; ax3大举裁员),“Festimate”，'ieStimate'，“FBurr”，'iburr'）

图中包含一个坐标轴。轴包含8个类型的楼梯，线路。这些物体代表了宾夕法尼亚州伊尔伯尔的节日，ieStimate。

在这个例子中，毛刺分布为灯泡的寿命提供了一个很好的匹配。

步骤4。拟合Cox比例风险模型。

拟合Cox比例风险回归，其中灯泡的类型是解释变量。

[b, logl H,统计]= coxphfit(灯泡(:,2),灯泡(:1),..．'审查'，灯泡（:,3））;统计

统计=结构体字段:covb: 1.0757 beta版:4.7262 se: 1.0372 z: 4.5568 p: 5.1936 e-06 csr: x1双[100]devres: x1双[100]martres: x1双[100]薛定:x1双[100]sschres: [100 x1双)得分:x1双[100]sscores: x1双[100]LikelihoodRatioTestP: 0

的 $p$ 值,p，表明灯泡类型具有统计学意义。风险比的估计为 $e x p$ （ $b$ ) = 112.8646。这意味着白炽灯的危害是荧光灯的112.86倍。