Cox比例风险模型审查数据
这个例子展示了如何构建一个Cox比例风险模型,和评估预测变量的重要性。
步骤1。加载示例数据。
加载示例数据。
负载readmissiontimes
响应变量是ReadmissionTime100名患者,其中展示了重新接纳时间。预测变量年龄,性,重量每个病人的吸烟状况,吸烟者。1表示病人是一个吸烟者,0表示,病人不抽烟。列向量审查每个病人的审查信息,1表示审查数据,0表示完全重新接纳时间观察。这是模拟数据。
步骤2。Cox比例风险函数。
适合Cox比例风险函数与变量性预测变量,考虑了审查。
X =性;[b, logl H,统计]= coxphfit (X, ReadmissionTime“审查”、审查);
性评估统计学意义的术语。
统计数据
统计=结构体字段:covb: 0.1016 beta版:-1.7642 se: 0.3188 z: -5.5335 p: 3.1392 e-08 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: e-09 x1双[100]LikelihoodRatioTestP: 5.9825
的
值,p表明,性是统计学意义。
保存loglikelihood值与一个不同的名称。您将使用这个评估的意义扩展模型。
loglSex = logl
loglSex = -262.1365
步骤3。年龄和体重添加到模型中。
适合Cox比例风险模型与变量性别、年龄和体重。
X =(性别年龄体重);[b, logl H,统计]= coxphfit (X, ReadmissionTime“审查”、审查);
评估的意义。
stats.beta
ans =3×1-0.5441 0.0143 0.0250
stats.p
ans =3×10.4953 0.3842 0.0960
所有的条款,调整对另一些人来说,是具有统计学意义。
评估的意义使用对数似然比的条款。你可以评估的意义使用似然比统计量的新模型。首先找到模型的对数似统计之间的区别没有年龄和体重和模型的对数似与性别、年龄和体重。
2 * [loglSex - logl]
ans = 3.6705
现在,计算 似然比统计量的值。似然比统计量有卡方分布与自由度的数量等于评估预测变量。在这种情况下,自由度是2。
p = 1 -提供(“chi2”,3.6705,2)
p = 0.1596
的 价值0.1596条款表明,年龄和体重并不显著,术语性的模型。
步骤4。吸烟者添加到模型中。
适合Cox比例风险模型与变量性和吸烟者。
X =[性吸烟者];[b, logl H,统计]= coxphfit (X, ReadmissionTime…“审查”、审查);
评估模型中的词汇的意义。
stats.p
ans =2×10.0000 - 0.0148
到第一个模型比较该模型是唯一的术语。
2 * [loglSex - logl]
ans = 5.5789
计算 似然比统计量的值。似然比统计量有卡方分布的自由度1。
p = 1 -提供(“chi2”,5.5789,1)
p = 0.0182
的 价值0.0182表明,性和吸烟者是统计学意义给出另一个模型中。性和吸烟者的模型是一个更好的适合模型相比,只有性。
请求的系数估计。
stats.beta
ans =2×1-1.7165 - 0.6338
默认的基线的意思X,所以最终的风险率模型
适合Cox比例风险模型的基线0。
X =[性吸烟者];[b, logl H,统计]= coxphfit (X, ReadmissionTime…“审查”审查,“基线”,0);
模型的风险比
请求的系数估计。
stats.beta
ans =2×1-1.7165 - 0.6338
系数不受影响,但故障率不同于基线时的均值X。
