L'hypothèse des risques proportionnels

Analyse de survie en Python

Shae Wang

Senior Data Scientist

Utiliser les courbes de Kaplan-Meier

Si la covariable n'a que quelques valeurs, examinez la courbe de Kaplan-Meier de chaque groupe.

Courbes qui se croisent : l'hypothèse des risques proportionnels est rejetée.

hypothèse RP rejetée à cause de courbes qui se croisent

Utiliser les courbes de Kaplan-Meier

Si la covariable n'a que quelques valeurs, examinez la courbe de Kaplan-Meier de chaque groupe.

Courbes de formes différentes : l'hypothèse des risques proportionnels est rejetée.

hypothèse RP rejetée à cause de courbes qui se croisent

Utiliser les courbes de Kaplan-Meier

Si la covariable n'a que quelques valeurs, examinez la courbe de Kaplan-Meier de chaque groupe.

Courbes de formes semblables et parallèles : l'hypothèse des risques proportionnels tient.

hypothèse de risques proportionnels respectée : courbes KM

.check_assumptions()

Si les covariables sont continues, utilisez la méthode .check_assumptions().

Paramètres
- training_df : le DataFrame d'origine utilisé pour l'ajustement du modèle.
- p_value_threshold : seuil pour signaler des violations (par défaut : 0,01 ; recommandé : 0,05).

.check_assumptions()

model.check_assumptions(training_df, p_value_threshold=0.05)

1. Variable 'A' a échoué au test de non-proportionnalité : p-value = 0,0007.
Conseil 1 : ...
Conseil 2 : ...
2. Variable 'B' a échoué au test de non-proportionnalité : p-value = 0,0063.
Conseil 1 : ...
Conseil 2 : ...

Quand l'hypothèse des risques proportionnels échoue

En général, l'hypothèse est raisonnable et les violations nuisent peu au rendement du modèle.
En cas d'échec, essayez d'autres cadres de modélisation, comme le modèle Weibull AFT, et comparez leurs AIC.

Passons à la pratique !

Analyse de survie en Python