L'hypothèse de risques proportionnels

Analyse de survie en Python

Shae Wang

Senior Data Scientist

Utiliser les courbes de Kaplan-Meier

Si la covariable n'a que quelques valeurs, examinez la courbe de Kaplan-Meier de chaque groupe.

Courbes qui se croisent : l'hypothèse de risques proportionnels est violée.

hypothèse de RP violée à cause de courbes qui se croisent

Utiliser les courbes de Kaplan-Meier

Si la covariable n'a que quelques valeurs, examinez la courbe de Kaplan-Meier de chaque groupe.

Courbes de formes différentes : l'hypothèse de risques proportionnels est violée.

hypothèse de RP violée à cause de courbes qui se croisent

Utiliser les courbes de Kaplan-Meier

Si la covariable n'a que quelques valeurs, examinez la courbe de Kaplan-Meier de chaque groupe.

Courbes de formes similaires et parallèles : l'hypothèse de risques proportionnels est respectée.

hypothèse de risques proportionnels respectée : courbes KM

.check_assumptions()

Si les covariables sont continues, utilisez la méthode .check_assumptions().

Paramètres
- training_df : le DataFrame d'origine utilisé pour l'ajustement du modèle.
- p_value_threshold : seuil d'alerte en cas de violation (par défaut : 0.01, recommandé : 0.05).

.check_assumptions()

model.check_assumptions(training_df, p_value_threshold=0.05)

1. La variable 'A' a échoué au test de non-proportionnalité : p-value = 0.0007.
Conseil 1 : ...
Conseil 2 : ...
2. La variable 'B' a échoué au test de non-proportionnalité : p-value = 0.0063.
Conseil 1 : ...
Conseil 2 : ...

Quand l'hypothèse de risques proportionnels est violée

En général, l'hypothèse est raisonnable et les violations impactent peu les performances.
Si elle est violée, essayez d'autres cadres de modélisation, comme le modèle Weibull AFT, et comparez leurs AIC.

Passons à la pratique !

Analyse de survie en Python