Aplikace analýzy přežití na skupiny
Survival Analysis in Python
Shae Wang
Senior Data Scientist
Problém s hypotékami
Název DataFrame: mortgage_df
| id | property type | duration | paid_off |
|---|---|---|---|
| 1 | house | 25 | 0 |
| 2 | apartment | 17 | 1 |
| 3 | apartment | 5 | 0 |
| ... | ... | ... | ... |
| 100 | house | 30 | 1 |
Typ nemovitosti: druh nemovitosti financované hypotékou (dům nebo byt)
Liší se doba splacení u hypoték na domy a na byty?
Porovnání rozdělení přežití skupin
Často nás zajímá, zda existují rozdíly v přežití (nebo pravděpodobnostech události/přežití) mezi různými skupinami subjektů.
- Dimenzionální atributy subjektů
- např. různé typy hypoték, různé značky pneumatik
- Různé experimentální skupiny
- např. léčebná skupina vs. kontrolní skupina
- Různé hodnoty stejného dimenzionálního atributu
- např. domácnosti s vysokými vs. nízkými příjmy
Typy skupinových srovnání přežití
1. Liší se bodové odhady nebo statistiky přežití?
- Porovnání pravděpodobností přežití dvou skupin v konkrétním čase
- Porovnání celkového podílu přeživších subjektů mezi dvěma skupinami
Typy skupinových srovnání přežití
2. Liší se základní rozdělení?
- Vyžaduje formální testování hypotéz
Typy skupinových srovnání přežití
3. Jak moc atribut ovlivňuje přežití?
- Vyžaduje regresní modelovací rámce
Vizualizace rozdílů mezi skupinami
Přizpůsobení Kaplan-Meierovy funkce přežití každé skupině a vizualizace křivek vedle sebe.
Výhody:
- Jednoduché použití i interpretace.
- Neparametrický přístup – flexibilní pro různá rozdělení přežití.
- Užitečný nástroj pro demonstraci rozdílů mezi funkcemi přežití.
Identifikace skupin
Název DataFrame: mortgage_df
| id | property type | duration | paid_off |
|---|---|---|---|
| 1 | house | 25 | 0 |
| 2 | apartment | 17 | 1 |
| 3 | apartment | 5 | 0 |
| ... | ... | ... | ... |
| 100 | house | 30 | 1 |
Vytvořte booleovskou masku pro každou skupinu.
house = (mortgage_df["property_type"]=="house")
apt = (mortgage_df["property_type"]=="apartment")
Pokud existují pouze 2 skupiny, stačí 1 maska. Na druhou skupinu lze odkazovat pomocí negace.
Přizpůsobení a vykreslení křivek přežití
Vytvořte jeden graf a inicializujte třídu KaplanMeierFitter.
ax = plt.subplot(111)
mortgage_kmf = KaplanMeierFitter()
Přizpůsobte mortgage_kmf skupině domů a vykreslete do grafu ax.
mortgage_kmf.fit(duration=mortgage_df[house]["duration"],
event_observed=mortgage_df[house]["paid_off"],
label="Houses")
mortgage_kmf.plot_survival_function(ax=ax)
Přizpůsobení a vykreslení křivek přežití
Přizpůsobte mortgage_kmf skupině bytů a vykreslete do grafu ax.
mortgage_kmf.fit(duration=mortgage_df[apt]["duration"],
event_observed=mortgage_df[apt]["paid_off"],
label="Apartments")
mortgage_kmf.plot_survival_function(ax=ax)
Vizualizace vedle sebe
plt.show()
Interpretace křivek přežití skupin
- Hypotéky na byty jsou v průměru spláceny rychleji než hypotéky na domy.
- V jakémkoli okamžiku je vyšší podíl uživatelů, kteří splatili hypotéku na byt než na dům.
Poznámka: pokud se intervaly spolehlivosti v některých bodech překrývají, je méně pravděpodobné, že mezi křivkami existuje skutečný rozdíl.
Lass uns üben!
Survival Analysis in Python
