Я использую пакет survival
для анализа конкурирующих рисков и хотел бы использовать прогноз для моделирования.
Я планирую выбрать однородный случайный x из [0, 1], найти время завершения из кривой выживания, которая пересекается с x; а затем выберите другой случайный y из [0, опасность1 + опасность2], чтобы решить, какое конечное состояние выбрать.
Я могу извлечь кривую выживаемости, но не знаю, каковы опасности для отдельных конкурирующих государств. Я скопировал пример из Виньетки "конкурируют" из пакета survival
ниже:
data(mgus2)
cfit1 <- coxph(Surv(etime, event=="pcm") ~ age + sex + mspike, mgus2)
etime <- with(mgus2, ifelse(pstat==0, futime, ptime))
event <- with(mgus2, ifelse(pstat==0, 2*death, 1))
event <- factor(event, 0:2, labels=c("censor", "pcm", "death"))
cfit2 <- coxph(Surv(etime, event=="death") ~ age + sex + mspike, mgus2)
cfit1 <- coxph(Surv(etime, event=="pcm") ~ age + sex + mspike, mgus2)
newdata <- expand.grid(sex=c("F", "M"), age=c(60, 80), mspike=1.2)
newdata
temp <- matrix(list(), 3,3)
dimnames(temp) <- list(from=c("Entry", "PCM", "Death"),
to =c("Entry", "PCM", "Death"))
temp[1,2] <- list(survfit(cfit1, newdata, std.err=FALSE))
temp[1,3] <- list(survfit(cfit2, newdata, std.err=FALSE))
csurv <- survfit(temp, p0 =c(1,0,0))
Похоже, что csurv$pstate
содержит кривую выживаемости и совокупные опасности. Но я не понимаю их отношений. Я попытался снизить выживаемость, сложив два кумулятивных риска и взяв опыт, как показано ниже, но результаты отличаются от кривой выживаемости.
exp(-(csurv$pstate[,2]+csurv$pstate[,3]))
csurv$pstate[,1]
Как они связаны? Как использовать их для моделирования?
survfit
-объекта, я думаю, вам следует расширить свой абзац, в котором вы описываете стратегию моделирования, и спросить, могут ли более терпеливые статистики помочь вам улучшить ее. - person IRTFM   schedule 27.04.2018