coxph 모델에서 예측하기

coxph를 사용하여 예측하는 데 어려움이 있습니다.coxph 모델에서 예측하기

나는 다음과 같이 샘플 데이터의 부족에서 파생 된 매개 변수에 샘플 데이터에 콕스의 PH 모델을 학습 한 후 사용하고자하는 :

# learn IS params 
model.PH <- coxph(Surv(days.IS, outcome.IS) ~ predictor.IS) 

# apply IS params to OOS data to make predictions 
predictions.raw <- predict(model.PH, newdata = predictor.OS) 

# binarise predictions 
predictions.OS <- rep(0,length(predictions.raw))  
predictions.OS[which(predictions.raw>0)]<- 1 

# fit survival model 
fittedModel <- survdiff(Surv(days.OS, outcome.OS) ~ predictions.OS)

predictor.IS는 차원의 Y_1의 X의 D, 예측이다. OS가 차원을 가짐 Y_2 x

그러나 예측의 요소 수가 많아 지므로 작동하지 않습니다. OS는 Y_1 NOT Y_2입니다.

내가 뭘 잘못하고 있니?

출처

2014-09-01 Tristan Fletcher

[재현 가능한 예] (http://stackoverflow.com/questions/5963269/how-to-make-a-great-r-reproducible-example)를 제공하면 대답하기가 더 쉬울 것입니다. – MrFlick

Zelig 패키지는이 유형의 문제에 대해 매우 유용하고 구현하기가 쉽습니다. –

'data = dfrm' 인수를 사용하여 값을''coxph에 전달한 다음'newdata' 인수를 동일한 열 이름을 가진 다른 데이터 프레임으로'predict'에 전달하면 더 잘 작동합니다. 모델에서 발견 된 것과 동일한 열 이름을 갖지 않을 수도있는 행렬을 전달한다는 의미가 있습니다. Dimensionality 일치는 predict.coxph 함수의 유일한 요구 사항은 아닙니다. –

data = dfrm 인수를 사용하여 값을``coxph에 전달한 다음 newdata 인수를 전달하면 동일한 열 이름을 가진 다른 데이터 프레임으로 예측할 때 더 잘 작동합니다. 모델에서 발견 된 것과 동일한 열 이름을 갖지 않을 수도있는 행렬을 전달한다는 의미가 있습니다. Dimensionality 일치는 predict.coxph 함수의 유일한 요구 사항은 아닙니다.

출처

2014-12-17 21:52:17

coxph 모델에서 예측하기

답변

관련 문제