coxphfit

Cox比例风险回归

折叠所有页面

句法

B = coxphfit（X，T）
B = coxphfit（X，T，名称，值）
并[b，logl，H，统计] = coxphfit（___）

描述

例

b= coxphfit（X，Ť）回报p×1向量，b，系数估算值的Cox比例风险回归所观察到的反应Ť在预测X，其中Ť或者是一个ñ×1矢量或ñ-by-2矩阵，和X是一个ñ-通过-p矩阵。

该模型不包括常数项和X不能包含1秒的一列。

例

b= coxphfit（X，Ť，名称，值）返回系数估计的向量，与由一个或多个指定的附加选项名称，值对参数。

例

[b，logl，H，统计] = coxphfit（___）也返回数似然，logl，一个结构，统计中，包含附加的统计，和两列的矩阵，H，包含Ť值在第一列和所述估计基准累积危险，在第二列中。您可以在前面的语法使用任意的输入参数。

例子

全部收缩

开立真实脚本

加载样本数据。

加载（'lightbulb.mat'）;

灯泡数据的第一列具有两种不同类型的灯泡的寿命（以小时计）。第二列具有二进制变量，指示灯泡是否是荧光或白炽。0表示灯泡是白炽灯，和1表示它是荧光的。第三列包含检查信息，其中0表示观察到灯泡，直到失败，而1表示灯泡被审查。

适合Cox比例风险模型用于灯泡的寿命，也占审查。预测变量是灯泡的类型。

B = coxphfit（灯泡（：，2），灯泡（：，1），...“截尾”，灯泡（：，3））
B = 4.7262

风险比的估计是 Ë b = 112.8646。这意味着，对于白炽灯泡的危害是对于荧光灯泡112.86倍危险。

开立真实脚本

加载样本数据。

加载（'lightbulb.mat'）;

的数据的第一列具有两个类型的灯泡的寿命（以小时计）。第二列具有二进制变量，指示灯泡是否是荧光或白炽。1表示灯泡是荧光灯和0表示它是白炽灯。第三列包含检查信息，其中0表示灯泡被观察到，直到失败，1表示该项目（灯泡）的审查。

飞度Cox比例风险模型，也占审查。预测变量是灯泡的类型。

B = coxphfit（灯泡（：，2），灯泡（：，1），...“截尾”，灯泡（：，3））
B = 4.7262

显示该算法的默认控制参数coxphfit使用估计系数。

statset（'coxphfit'）
ANS =同场的结构：显示： '断开' MaxFunEvals：200 MAXITER：100 TolBnd：1.0000e-06 TolFun：1.0000e-08 TolTypeFun：[] TolX：1.0000e-08 TolTypeX：[] GradObj：[]雅可比：[] DerivStep：[] FunValCheck：[]鲁棒：[] RobustWgtFun：[] WgtFun：[]调谐：[] UseParallel：[] UseSubstreams：[]流：{} OutputFcn：[]

保存在不同的名称和变化的结果将如何显示和迭代的最大数量的选项，显示和MAXITER。

coxphopt = statset（'coxphfit'）;coxphopt.Display ='最后';coxphopt.MaxIter = 50;

跑coxphfit新算法的参数。

B = coxphfit（灯泡（：，2），灯泡（：，1），...“截尾”，灯泡（：，3），“选项”，coxphopt）
成功融合：梯度范数小于OPTIONS.TolFun
B = 4.7262

coxphfit显示在最后一次迭代的报告。改变迭代的最大数量没有影响系数的估计。

开立真实脚本

根据预测产生威布尔数据X。

RNG（'默认'）％，持续重现X = 4 *兰特（100,1）;A = 50 * EXP（-0.5 * X）;B = 2;Y = wblrnd（A，B）;

响应值被从与形状的威布尔分布产生取决于预测变量参数X和2的比例参数。

飞度Cox比例风险模型。

并[b，logL，H，统计] = coxphfit（X，Y）;并[b logL]
ANS =1×20.9409 -331.1479

系数估计是0.9409和对数似然值是-331.1479。

请求模型统计。

统计
统计=同场的结构：covb：0.0158测试：0.9409 SE：0.1256 Z：7.4889号码：6.9462e-14 csres：[100X1双] devres：[100X1双]马尔特雷：[100X1双] schres：[100X1双] sschres：[100X1双]分数：[100X1双] sscores：[100X1双]

系数估计的协方差矩阵，covb，仅包含一个值，它等于本示例中的系数估计的方差。系数估计，公测， 是相同的b并等于0.9409。系数估计值的标准误差，SE是0.1256，它是方差0.0158的平方根。该 ž -统计，ž是公测/ SE= 0.9409 / 0.1256 = 7.4880。p值，p指示的该效果X是显著。

绘制与已知Weibull函数基线幸存者共同发挥作用的考克斯估计。

楼梯（H（：，1），EXP（-H（：，2）），'行宽'，2）XX = linspace（0100）;线（XX，1- wblcdf（XX，50 * EXP（-0.5 *平均值（X）），B），'颜色'，'R'，'行宽'，2）XLIM（[0,50]）图例（“估计存活函数”，“韦伯存活函数”）

拟合模型给出了一个接近的估计实际分布的幸存者功能。

输入参数

全部收缩

在预测变量观测，指定为ñ-通过-p矩阵p预测为每ñ观察结果。

该模型不包括常数项，从而X不能包含1秒的一列。

如果X，Ť或的值'频率'要么'地层'包含为NaN值，则coxphfit删除与行为NaN从所有数据值拟合Cox模型时。

数据类型：双

时间到事件数据，指定为ñ×1矢量或两列的矩阵。

  • 当T是ñ×1向量，其表示右删失时间 - 事件数据的事件时间。

  • 当T是ñ-by-2的矩阵中，每一行代表了风险间隔（开始，停止]在计数过程格式与时间相关的协变量。第一列是所述开始时间和所述第二列是停止时间。对于一个示例，请参见Cox比例风险模型与时间相关的协变量。

如果X，Ť或的值'频率'要么'地层'包含为NaN值，则coxphfit删除与行为NaN从所有数据值拟合Cox模型时。

数据类型：单|双

名称 - 值对参数

指定可选的用逗号分隔的对名称，值参数。名称是参数的名称和值是对应的值。名称必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

例：'基线'，0， '截尾'，censoreddata， '频率'，频率该指定coxphfit计算相对于0基线风险率，考虑到载体中的截尾信息censoreddata和观察的在频率Ť和X在给定的矢量频率。

系数的初始值，指定为以下组成的逗号分隔值'B0'和数字矢量。

数据类型：双

X值在其计算基线危险，指定为逗号分隔的一对组成的“基线”和标量值。

默认值是均值（X）的，所以危险率在X是H（t）的* EXP（（X-平均值（X））* B）。输入0计算相对于0的基线，因此在危险率X是H（t）的* EXP（X * b）中。改变基线不影响系数的估计，但风险比的变化。

例：'基线'，0

数据类型：双

指示器用于审查，指定为逗号分隔的一对组成的“截尾”和相同尺寸的布尔阵列Ť。使用1对于那些适合那些全观察观察审查和0的观察。默认值是所有观测值都完全遵守。对于一个示例，请参见Cox比例风险模型中截尾数据。

例：“截尾”，经社

数据类型：合乎逻辑

频率或观察的权重，指定为逗号分隔的一对组成的'频率'和阵列，其大小为相同Ť含非负标量值。该阵列可以包含的整数值对应于对应于观察权重观察或非负值的频率。

如果X，Ť或的值'频率'要么'地层'包含为NaN值，则coxphfit删除与行为NaN从所有数据值拟合Cox模型时。

默认值是1元的行X和Ť。

例：'频率'，W

数据类型：双

分层变量，指定为逗号分隔的一对由实值的矩阵的。矩阵必须具有相同的行数为Ť与对应于一个观测每一行。

如果X，Ť或的值'频率'要么'地层'包含为NaN值，则coxphfit删除与行为NaN从所有数据值拟合Cox模型时。

默认的，[]是没有分层变量。

例：“阶层”，性别

数据类型：单|双

方法来处理并列失效时间，指定为逗号分隔的一对组成的“领带”，要么“布瑞斯罗夫”（布瑞斯罗夫法）或“埃弗龙”（埃夫隆的方法）。

例：“领带”，“埃弗龙”

用于迭代算法的算法控制参数用于估计b，指定为逗号分隔的一对组成的“选项”和结构。呼叫到statset造成这一论点。对于参数名称和默认值，类型statset（ 'coxphfit'）。您可以设置选项以新的名称和使用的名称 - 值对参数。

例：'选项'，statset（ 'coxphfit'）

输出参数

全部收缩

系数估计为Cox比例风险回归，返回为p×1向量。

拟合模型的对数似然，返回一个标量。

您可以使用数似然值来比较不同的模型和评估模型方面的作用的重要性。

估计基线累积风险率评估Ť值，返回为以下之一。

  • 如果模型不分层，然后H是一个两列的矩阵。矩阵的第一列包含Ť值，和第二列包含累积危险速率估计。

  • 如果模型分层，然后H是（2 +ķ）列的矩阵，其中最后ķ列对应于分层变量使用地层名称 - 值对的参数。

系数的统计数据，返回一个包含以下字段的结构。

公测 系数估计值（同b）
SE 系数估计值的标准误差，b
ž ž-statistics为b（那是，b通过标准误差除以）
p p- 值对b
covb

对于估计的协方差矩阵b
csres

考克斯 - 斯内尔残差
devres 越轨残差
马尔特雷 鞅残差
schres Schoenfeld残差
sschres 缩放Schoenfeld残差
分数 分数残差
sscores 分数换算表残差

coxphfit返回的Cox-斯内尔，鞅和偏差残差与每观测一个行的列向量。它返回舍恩菲尔德，缩放舍恩菲尔德，分数和比例分数残差为相同的大小为X.舍恩菲尔德的矩阵和缩放的截尾数据的Schoenfeld残差是为NaN秒。

更多关于

全部收缩

Cox比例风险回归

Cox比例风险回归是用于调整存活率估计以除去混杂变量的影响和量化预测变量的效果的半参数方法。该方法表示说明性的，并混杂变量作为共同的基线风险函数的乘数效应，H0（Ť）。

用于相对于0的基线，这种模式对应于

H （ X 一世 ， Ť ） = H 0 （ Ť ） EXP [ Σ Ĵ = 1 p X 一世 Ĵ b Ĵ ] ，

哪里 X 一世 = （ X 一世 1 ， X 一世 2 ， ⋯ ， X 一世 p ） 是预测变量为一世个主题，H（X一世，Ť）是在时间的危险率Ť对于X一世和H0（Ť）是基线风险率函数。基线风险函数是Cox比例风险回归函数的非参数部分，而预测变量的影响是一个对数线性回归。假设是基线风险函数依赖于时间，Ť，但预测变量不依赖于时间。看到Cox比例风险模型有关详细信息，包括扩展分层和时间相关的变量，捆绑事件，并观察权重。

参考

[1]考克斯，D.R.，和D.奥克斯。生存数据分析。伦敦：查普曼和霍尔，1984年。

[2] Lawless的，J. F.统计模型和寿命数据的方法。新泽西州霍博肯市：威利 - InterScience的，2002年。

[3] Kleinbaum，D.G。，和M.克莱因。生存分析。统计生物学和健康。第2版​​。斯普林格，2005。

扩展功能

也可以看看

||

主题

R2006a前推出

统计和机器学习工具箱文档
万博1manbetx
掌握机器学习：有步骤，分步指南与MATLAB

掌握机器学习：有步骤，分步指南与MATLAB

下载电子书