비례위험 가정

Python에서의 Survival Analysis

Shae Wang

Senior Data Scientist

Kaplan–Meier 곡선 활용

공변량 값이 적으면, 각 그룹의 Kaplan–Meier 곡선을 확인하세요.

곡선이 교차하면: 비례위험 가정이 실패.

교차하는 곡선으로 인한 비례위험 가정 실패

Kaplan–Meier 곡선 활용

공변량 값이 적으면, 각 그룹의 Kaplan–Meier 곡선을 확인하세요.

곡선 형태가 다르면: 비례위험 가정이 실패.

교차하는 곡선으로 인한 비례위험 가정 실패

Kaplan–Meier 곡선 활용

공변량 값이 적으면, 각 그룹의 Kaplan–Meier 곡선을 확인하세요.

곡선 형태가 비슷하고 평행이면: 비례위험 가정을 만족.

비례위험 가정 만족 km 곡선

.check_assumptions()

공변량이 연속형이면 .check_assumptions() 메서드를 사용하세요.

매개변수
- training_df: 모델 적합에 사용한 원본 DataFrame.
- p_value_threshold: 위반 경고 임계값(기본 0.01, 권장 0.05).

.check_assumptions()

model.check_assumptions(training_df, p_value_threshold=0.05)

1. Variable 'A' failed the non-proportional test: p-value is 0.0007.
Advice 1: ...
Advice 2: ...
2. Variable 'B' failed the non-proportional test: p-value is 0.0063.
Advice 1: ...
Advice 2: ...

비례위험 가정이 실패할 때

대체로 타당하며, 위반되어도 모델 성능에 큰 영향이 없습니다.
실패하면 Weibull AFT 등 다른 프레임워크를 시도하고 AIC를 비교하세요.

연습해 봅시다!

Python에서의 Survival Analysis