Model Weibulla z kowariantami

Analiza przeżycia w Pythonie

Shae Wang

Senior Data Scientist

Porównanie funkcji przeżycia

Porównanie grup za pomocą estymatora Kaplana-Meiera:

Krzywe przeżycia Kaplana-Meiera dla mieszkań i domów.

Porównanie grup za pomocą testu log-rank:

<lifelines.StatisticalResult: logrank_test>
 null_distribution = chi squared
degrees_of_freedom = 1
         test_name = logrank_test
 test_statistic    p  -log2(p)
           0.09 0.77      0.38

P: Jak ocenić, czy i jak jedna lub kilka zmiennych ciągłych wpływa na funkcję przeżycia?

Regresja przeżycia

Metoda modelowania funkcji przeżycia z kowariantami
Określa wpływ każdego kowariantu na funkcję przeżycia

$$Y_i=f(X_i,\beta)$$

$$Y_i: \text{czasy trwania}, X_i: \text{kowarianty}$$

Przykładowe kowarianty: wiek, waga, kraj

Model przyspieszonego czasu awarii (AFT)

$$\text{Populacja A}: S_A(t)$$

$$\text{Populacja B}: S_B(t)$$

$$S_A(t)=S_B(t*\lambda)$$

$S_B(t)$ przyspiesza lub zwalnia wzdłuż $S_A(t)$ o współczynnik $\lambda$.
AFT modeluje tę relację przyspieszenia/spowolnienia na podstawie kowariantów.
Gdy kowariant zmienia się z $a$ na $b$, czas do zdarzenia przyspiesza lub zwalnia o przyspieszony wskaźnik awarii $\lambda$.
Przykład: $S_{dog}(t)=S_{human}(t*7)$

Dane do regresji przeżycia

Przykładowy DataFrame: mortgage_df

id	property_type	principal	interest	property_tax	credit_score	duration	paid_off
1	house	1275	0.035	0.019	780	25	0
2	apartment	756	0.028	0.020	695	17	1
3	apartment	968	0.029	0.017	810	5	0
...	...	...	...	...	...	...	...
1000	house	1505	0.041	0.023	750	30	1

Połączenie Weibulla z AFT: model Weibull AFT

DataFrame: mortgage_df
Kowarianty:
- property_type zostaje zastąpiony zmienną zero-jedynkową:
  - house: 1 jeśli "house", 0 jeśli "apartment"
- principal
- interest
- property_tax
- credit_score

Importowanie i tworzenie instancji klasy WeibullAFTFitter

from lifelines import WeibullAFTFitter
aft = WeibullAFTFitter()

Wywołanie .fit() w celu dopasowania estymatora do danych

aft.fit(df=mortgage_df,
     duration_col="duration",
     event_col="paid_off")

Interpretacja wyników modelu

print(aft.summary)

<lifelines.WeibullAFTFitter: fitted with 1808 observations, 340 censored>
                      coef  exp(coef)  se(coef)      z       p
lambda_ house         0.04       1.04      0.01   0.99    0.32  
        principal    -0.03       0.97      0.22  -1.04    0.30  
        interest      0.11       1.11      0.15   1.96    0.05  
        property_tax  0.31       1.36      0.27   1.15    0.25  
        credit_score -0.16       0.85      0.14  -2.33    0.02  
        Intercept     3.99      54.06      0.41   9.52 <0.0005   
rho_    Intercept     0.34       1.40      0.08   3.80 <0.0005

`WeibullAFTFitter` z niestandardową formułą

Użycie formula do obsługi niestandardowych kowariantów modelu:

aft.fit(df=mortgage_df,
        duration_col="duration",
        event_col="paid_off",
        formula="principal + interest * house")

Analogicznie do modelu liniowego z efektem interakcji:

$\beta_1$principal$+\beta_2$interest$+\beta_3$house$+\beta_4$interest$\cdot$house

Interpretacja wyników modelu

print(aft.summary)

<lifelines.WeibullAFTFitter: fitted with 1808 observations, 340 censored>
                       coef  exp(coef)  se(coef)      z       p
lambda_ principal     -0.03       0.97      0.22  -1.04    0.30     
        interest       0.11       1.11      0.15   1.96    0.05  
        house          0.04       1.04      0.01   0.99    0.32  
        interest:house 0.06       1.06      0.14   0.42    0.64
        Intercept      3.99      54.06      0.41   9.52 <0.0005   
rho_    Intercept      0.34       1.40      0.08   3.80 <0.0005

Czas na ćwiczenia!

Analiza przeżycia w Pythonie