Допущение о пропорциональности рисков

Анализ выживаемости в Python

Shae Wang

Senior Data Scientist

Использование кривых Каплана–Мейера

Если ковариата принимает лишь несколько значений, изучите кривые Каплана–Мейера для каждой группы.

Кривые пересекаются: допущение о пропорциональности рисков нарушено.

кривые КМ, нарушающие допущение о пропорциональных рисках из-за пересечения

Использование кривых Каплана–Мейера

Если ковариата принимает лишь несколько значений, изучите кривые Каплана–Мейера для каждой группы.

Кривые имеют разную форму: допущение о пропорциональности рисков нарушено.

кривые КМ, нарушающие допущение о пропорциональных рисках из-за пересечения

Использование кривых Каплана–Мейера

Если ковариата принимает лишь несколько значений, изучите кривые Каплана–Мейера для каждой группы.

Кривые схожи по форме и параллельны: допущение о пропорциональности рисков выполнено.

кривые КМ, удовлетворяющие допущению о пропорциональных рисках

.check_assumptions()

Для непрерывных ковариат используйте метод .check_assumptions().

Параметры
- training_df: исходный DataFrame, переданный при обучении модели.
- p_value_threshold: пороговое значение p-value для оповещения о нарушениях (по умолчанию: 0,01; рекомендуется: 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: ...

Когда допущение о пропорциональности рисков нарушено

Как правило, допущение является разумным, а его нарушения существенно не влияют на качество модели.
Если допущение нарушено, попробуйте другие подходы — например, модель Вейбулла AFT — и сравните их показатели AIC.

Давайте потренируемся!

Анализ выживаемости в Python