Giả định nguy cơ tỷ lệ

Phân tích sống sót bằng Python

Shae Wang

Senior Data Scientist

Dùng đường cong Kaplan–Meier

Nếu biến đồng biến chỉ có vài giá trị, hãy xem đường cong Kaplan–Meier của từng nhóm.

Đường cong cắt nhau: không thỏa giả định nguy cơ tỷ lệ.

giả định nguy cơ tỷ lệ sai do đường cong cắt nhau

Dùng đường cong Kaplan–Meier

Nếu biến đồng biến chỉ có vài giá trị, hãy xem đường cong Kaplan–Meier của từng nhóm.

Đường cong có hình dạng khác nhau: không thỏa giả định nguy cơ tỷ lệ.

giả định nguy cơ tỷ lệ sai do đường cong cắt nhau

Dùng đường cong Kaplan–Meier

Nếu biến đồng biến chỉ có vài giá trị, hãy xem đường cong Kaplan–Meier của từng nhóm.

Đường cong có hình dạng tương tự và song song: thỏa giả định nguy cơ tỷ lệ.

giả định nguy cơ tỷ lệ thỏa qua đường cong KM

.check_assumptions()

Nếu các biến đồng biến là liên tục, dùng phương thức .check_assumptions().

Tham số
- training_df: DataFrame gốc dùng để fit mô hình.
- p_value_threshold: ngưỡng cảnh báo vi phạm (mặc định: 0.01, khuyến nghị: 0.05).

.check_assumptions()

model.check_assumptions(training_df, p_value_threshold=0.05)

1. Biến 'A' không vượt qua kiểm định không tỷ lệ: p-value = 0.0007.
Gợi ý 1: ...
Gợi ý 2: ...
2. Biến 'B' không vượt qua kiểm định không tỷ lệ: p-value = 0.0063.
Gợi ý 1: ...
Gợi ý 2: ...

Khi giả định nguy cơ tỷ lệ không thỏa

Thông thường giả định này hợp lý và vi phạm nhỏ không ảnh hưởng nhiều đến hiệu năng mô hình.
Nếu không thỏa, thử khung mô hình khác như Weibull AFT và so sánh AIC.

Ayo berlatih!

Phân tích sống sót bằng Python