Припущення про пропорційні ризики

Аналіз виживаності в Python

Shae Wang

Senior Data Scientist

Використовуйте криві Каплана — Меєра

Якщо коваріата має небагато значень, перегляньте криву Каплана — Меєра для кожної групи.

Криві перетинаються: припущення про пропорційні ризики порушено.

припущення про пропорційні ризики не виконується через перетин кривих

Використовуйте криві Каплана — Меєра

Якщо коваріата має небагато значень, перегляньте криву Каплана — Меєра для кожної групи.

Криві мають різні форми: припущення про пропорційні ризики порушено.

припущення про пропорційні ризики не виконується через перетин кривих

Використовуйте криві Каплана — Меєра

Якщо коваріата має небагато значень, перегляньте криву Каплана — Меєра для кожної групи.

Криві подібні за формою та паралельні: припущення про пропорційні ризики виконується.

успішне припущення про пропорційні ризики, крива КМ

.check_assumptions()

Якщо коваріати неперервні, скористайтеся методом .check_assumptions().

Параметри
- training_df: початковий DataFrame, використаний під час навчання моделі.
- p_value_threshold: поріг для повідомлення про порушення (типово: 0.01, рекомендовано: 0.05).

.check_assumptions()

model.check_assumptions(training_df, p_value_threshold=0.05)

1. Змінна 'A' не пройшла тест на непропорційність: p-value = 0.0007.
Порада 1: ...
Порада 2: ...
2. Змінна 'B' не пройшла тест на непропорційність: p-value = 0.0063.
Порада 1: ...
Порада 2: ...

Коли припущення про пропорційні ризики не виконується

Зазвичай це розумне припущення, і порушення не суттєво впливають на якість моделі.
Якщо воно не виконується, спробуйте інші підходи, наприклад модель Weibull AFT, і порівняйте їхні AIC.

Давайте потренуємось!

Аналіз виживаності в Python