Cox比例风险模型中截尾数据
这个例子说明了如何构建一个Cox比例风险模型，并评估预测变量的意义。
步骤1.加载样本数据。
加载样本数据。
加载readmissiontimes
响应变量是ReadmissionTime，其示出了用于100名病人重新接纳倍。预测变量是年龄，性别，重量和每个患者的吸烟状况，抽烟者。1表示患者是吸烟者，而0表明该患者不抽烟。列向量截尾具有用于每个患者，其中1表示截尾数据，0表示时间观察到的精确的重新接纳检查的信息。这是模拟数据。
步骤2拟合Cox比例风险函数。
适合Cox比例风险函数与变量性别作为预测变量，取截尾考虑。
X =性别;并[b，logl，H，统计] = coxphfit（X，ReadmissionTime，“截尾”，截尾）;
评估长期性的统计学意义。
统计
统计=同场的结构：covb：0.1016测试：-1.7642 SE：0.3188 Z：-5.5335号码：3.1392e-08 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]
该
-值，p，表明术语性别统计显著。
保存具有不同名称的数似然值。你会用它来评估扩展模型的意义。
loglSex = logl
loglSex = -262.1365
第3步：添加年龄和体重的模型。
正好与变量性别，年龄和体重Cox比例风险模型。
X = [性别年龄体重];并[b，logl，H，统计] = coxphfit（X，ReadmissionTime，“截尾”，截尾）;
评估方面的意义。
stats.beta
ANS =3×1-0.5441 0.0143 0.0250
stats.p
ANS =3×10.4953 0.3842 0.0960
条款无，调整为别人，是统计学上显著。
评估使用对数似然比术语的意义。您可以使用评估的似然比统计的新模式的意义。首先找到没有条款年龄和体重，并与性别，年龄和体重的模型的对数似然模型的数似然统计之间的差异。
-2 * [loglSex - logl]
ANS = 3.6705
现在，计算 -VALUE为似然比统计量。似然比统计量具有卡方分布等于被评估预测变量的数目的自由度。在这种情况下，自由度为2。
P = 1 - CDF（“卡方”，3.6705,2）
p值= 0.1596
该 - 值0.1596表示该条款年龄和体重在统计上并不显著，考虑到模型中的长期性。
第4步：添加吸烟者的模型。
正好与变量性别和吸烟者Cox比例风险模型。
X = [性别吸烟者];并[b，logl，H，统计] = coxphfit（X，ReadmissionTime，...“截尾”，截尾）;
评估模型中的术语的意义。
stats.p
ANS =2×10.0000 0.0148
这种模式比较到性爱是唯一任期的第一款车型。
-2 * [loglSex - logl]
ANS = 5.5789
计算 -VALUE为似然比统计量。似然比统计量具有一定程度的自由1的卡方分布。
P = 1 - CDF（“卡方”，5.5789,1）
p值= 0.0182
该 - 值0.0182表明，性别和吸烟者有统计学显著给出另一种是在模型中。与性别，吸烟者的模型是更适合相比，只有性模型。
请求系数估计。
stats.beta
ANS =2×1-1.7165 0.6338
默认的基准是平均的X，所以对于危险比最终模型是
适合为0的基线Cox比例风险模型。
X = [性别吸烟者];并[b，logl，H，统计] = coxphfit（X，ReadmissionTime，...“截尾”，审查，“基线”，0）;
对于危险比的模型是
请求系数估计。
stats.beta
ANS =2×1-1.7165 0.6338
该系数不会受到影响，但是从当基准是平均的风险率不同X。
也可以看看
相关的例子
更多关于
您还可以选择从下面的列表中的网站：
