Założenie proporcjonalnych hazardów

Analiza przeżycia w Pythonie

Shae Wang

Senior Data Scientist

Zastosowanie krzywych Kaplana-Meiera

Jeśli kowariant przyjmuje kilka wartości, należy sprawdzić krzywe Kaplana-Meiera dla każdej grupy.

Krzywe się przecinają: założenie proporcjonalnych hazardów nie jest spełnione.

niezachowanie założenia ph – przecinające się krzywe

Use the Kaplan-Meier curves

If the covariate only has a few values, inspect each group's Kaplan-Meier curve.

Curves have different shapes: fails the proportional hazards assumption.

failed ph assumption due to intersecting curves

Zastosowanie krzywych Kaplana-Meiera

Jeśli kowariant przyjmuje kilka wartości, należy sprawdzić krzywe Kaplana-Meiera dla każdej grupy.

Krzywe mają podobny kształt i są równoległe: założenie proporcjonalnych hazardów jest spełnione.

krzywe km spełniające założenie proporcjonalnych hazardów

.check_assumptions()

Jeśli kowariaty są ciągłe, należy użyć metody .check_assumptions().

Parametry
- training_df: oryginalny DataFrame użyty podczas dopasowania modelu.
- p_value_threshold: próg alertowania o naruszeniach (domyślnie: 0.01, zalecane: 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: ...

Gdy założenie proporcjonalnych hazardów zawodzi

Zazwyczaj jest to rozsądne założenie, a jego naruszenia nie wpływają znacząco na wydajność modelu.
W razie niepowodzenia należy wypróbować inne podejścia modelowania, np. model Weibull AFT, i porównać ich wyniki AIC.

Czas na ćwiczenia!

Analiza przeżycia w Pythonie