Předpoklad proporcionálních rizik

Survival Analysis in Python

Shae Wang

Senior Data Scientist

Použití Kaplanových-Meierových křivek

Pokud má kovariant jen několik hodnot, prohlédněte si Kaplanovu-Meierovu křivku každé skupiny.

Křivky se kříží: předpoklad proporcionálních rizik není splněn.

nesplnění předpokladu PH kvůli křížícím se křivkám

Použití Kaplanových-Meierových křivek

Pokud má kovariant jen několik hodnot, prohlédněte si Kaplanovu-Meierovu křivku každé skupiny.

Křivky mají různé tvary: předpoklad proporcionálních rizik není splněn.

nesplnění předpokladu PH kvůli křížícím se křivkám

Použití Kaplanových-Meierových křivek

Pokud má kovariant jen několik hodnot, prohlédněte si Kaplanovu-Meierovu křivku každé skupiny.

Křivky mají podobný tvar a jsou rovnoběžné: předpoklad proporcionálních rizik je splněn.

úspěšné splnění předpokladu PH na KM křivce

.check_assumptions()

Pro spojité kovariáty použijte metodu .check_assumptions().

Parametry
- training_df: původní DataFrame použitý při volání pro trénování modelu.
- p_value_threshold: práh pro upozornění na porušení (výchozí: 0.01, doporučeno: 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: ...

Když předpoklad proporcionálních rizik selže

Zpravidla jde o rozumný předpoklad a jeho porušení nemá zásadní vliv na výkon modelu.
Pokud selže, vyzkoušejte jiné přístupy, například model Weibull AFT, a porovnejte jejich skóre AIC.

Vamos praticar!

Survival Analysis in Python