كابلان ماير الرسم البياني في و الحسابية الفوركس

مرحبا بكم في معهد للبحوث الرقمية والتعليم الحوسبة الإحصائية ندوات تحليل البقاء على قيد الحياة مع ستاتا برنامج ستاتا الذي يستند إليه الندوة. ملف البيانات إيسمال للندوة. والهدف من هذه الندوة هو إعطاء مقدمة موجزة لموضوع تحليل البقاء على قيد الحياة. سنقوم باستخدام نسخة أصغر وتعديل طفيف من مجموعة بيانات معهد اليونسكو للإحصاء من كتاب تطبيق البقاء على قيد الحياة من قبل هوسمر و ليمشو. ونحن نشجع بقوة كل من يرغب في تعلم التعلم البقاء على قيد الحياة لقراءة هذا النص كما هو مقدمة جيدة جدا وشاملة للموضوع. تحليل البقاء على قيد الحياة هو مجرد اسم آخر للوقت لتحليل الحدث. يستخدم مصطلح بقاء تحليل في الغالب في العلوم الطبية الحيوية حيث الفائدة في رصد الوقت حتى الموت إما من المرضى أو من حيوانات المختبر. وقد تم أيضا استخدام تحليل الوقت إلى الحدث على نطاق واسع في العلوم الاجتماعية حيث الفائدة على تحليل الوقت للأحداث مثل تغييرات الوظيفة، والزواج، ولادة الأطفال وهكذا دواليك. وقد ساهمت العلوم الهندسية أيضا في تطوير تحليل البقاء على قيد الحياة وهو ما يسمى تحليل الموثوقية أو تحليل وقت الفشل في هذا المجال لأن التركيز الرئيسي هو في نمذجة الوقت الذي يستغرقه للآلات أو المكونات الإلكترونية لكسر. وقد تم توحيد معظم التطورات من هذه المجالات المتنوعة في مجال تحليل البقاء على قيد الحياة. لمزيد من المعلومات، يرجى الرجوع إلى المناقشة الممتازة في الفصل الأول من تحليل تاريخ الحدث من قبل بول أليسون. هناك بعض جوانب بيانات تحليل البقاء على قيد الحياة، مثل الرقابة وغير الطبيعية، التي تولد صعوبة كبيرة عند محاولة تحليل البيانات باستخدام النماذج الإحصائية التقليدية مثل الانحدار الخطي المتعدد. وينتهك الجانب غير الطبيعي من البيانات الافتراض الطبيعي للنموذج الإحصائي الأكثر شيوعا مثل الانحدار أو أنوفا، وما إلى ذلك. وتعرف المراقبة الخاضعة للرقابة بأنها ملاحظة ذات معلومات غير مكتملة. هناك أربعة أنواع مختلفة من الرقابة الممكنة: اقتطاع الحق، اقتطاع اليسار، الرقابة الصحيحة والرقابة اليسرى. وسوف نركز حصرا على الرقابة الصحيحة لعدد من الأسباب. معظم البيانات المستخدمة في التحليلات لها الرقابة الصحيحة فقط. وعلاوة على ذلك، الرقابة الصحيحة هي الأكثر سهولة فهم من جميع أنواع الرقابة الأربعة، وإذا كان الباحث يمكن أن نفهم مفهوم الرقابة الصحيحة بدقة يصبح من الأسهل بكثير لفهم الأنواع الثلاثة الأخرى. عندما تخضع المراقبة للمراقبة الصحيحة فهذا يعني أن المعلومات غير مكتملة لأن الموضوع لم يكن له حدث خلال الوقت الذي كان فيه الموضوع جزءا من الدراسة. نقطة تحليل البقاء على قيد الحياة هو متابعة المواضيع مع مرور الوقت ومراقبة في أي لحظة في الوقت الذي تشهد الحدث من الفائدة. وكثيرا ما يحدث أن الدراسة لا تمتد ما يكفي من الوقت من أجل مراقبة هذا الحدث لجميع المواضيع في الدراسة. وقد يرجع ذلك إلى عدد من الأسباب. ربما تسرب الدراسة من الدراسة لأسباب لا علاقة لها بالدراسة (أي المرضى الذين ينتقلون إلى منطقة أخرى ولا يتركون عنوان إعادة توجيه). السمة المشتركة لجميع هذه الأمثلة هو أنه إذا كان هذا الموضوع قد تمكنت من البقاء في الدراسة ثم كان من الممكن لمراقبة وقت الحدث في نهاية المطاف. من المهم أن نفهم الفرق بين وقت التقويم والوقت في الدراسة. ومن الشائع جدا أن يدخل الطالب الدراسة بشكل مستمر طوال مدة الدراسة. وينعكس هذا الوضع في الرسم البياني الأول حيث يمكننا أن نرى دخول متداخلة من أربعة مواضيع. النقاط الحمراء تدل على فترات حدث فيها الحدث، في حين أن الفواصل دون النقاط الحمراء تعني الرقابة. ويبدو أن الموضوع 4 قد توقف بعد وقت قصير فقط (ضرب الحافلة، مأساوي جدا) وأن الموضوع 3 لم يختبر حدثا قبل انتهاء الدراسة، ولكن إذا استمرت الدراسة لفترة أطول (كان لديها المزيد من التمويل) كنا نعرف الوقت الذي حدث فيه هذا الحدث. والمفهوم المهم الآخر في تحليل البقاء هو معدل الخطر. من النظر إلى البيانات مع الوقت المنفصل (الوقت يقاس على فترات كبيرة مثل الشهر، سنوات أو حتى عقود) يمكننا الحصول على فكرة بديهية من معدل الخطر. أما بالنسبة للوقت المنفصل فإن معدل الخطر هو احتمال أن يعاني الفرد من حدث ما في الوقت الذي يكون فيه الفرد معرضا لخطر وقوع حدث ما. وبالتالي، فإن معدل الخطر هو في الحقيقة مجرد معدل غير مراقب عند وقوع الأحداث. إذا كان معدل الخطر ثابتا على مر الزمن وكان مساويا ل 1.5 على سبيل المثال هذا يعني أن المرء يتوقع حدوث 1.5 حدث في فترة زمنية تكون وحدة واحدة طويلة. وعلاوة على ذلك، إذا كان لدى الشخص معدل خطر قدره 1.2 في الوقت t وكان الشخص الثاني لديه معدل خطر قدره 2.4 في الوقت t فمن الصحيح أن أقول أن خطر الأشخاص الثاني من الحدث سيكون مرتين أكبر في الوقت t . ومن المهم أن ندرك أن معدل الخطر هو متغير غير ملاحظ، لكنه يتحكم في كل من وقوع وتوقيت الأحداث. وهو المتغير التابع الأساسي في تحليل البقاء على قيد الحياة. ومن الجوانب الهامة الأخرى لوظيفة الخطر فهم كيفية تأثير شكل وظيفة الخطر على المتغيرات الأخرى ذات الأهمية مثل وظيفة البقاء على قيد الحياة. يوضح الرسم البياني الأول أدناه وظيفة الخطر مع شكل حوض الاستحمام. هذا الرسم البياني يصور وظيفة الخطر لبقاء مرضى زرع الأعضاء. في الوقت الذي يساوي الصفر أنهم يعانون من عملية زرع ولأن هذه عملية خطيرة جدا لديهم خطر كبير جدا (فرصة كبيرة للوفاة). أول 10 أيام بعد العملية هي أيضا خطيرة جدا مع فرصة كبيرة للمريض يموت ولكن الخطر هو أقل من خلال العملية الفعلية، وبالتالي الخطر هو انخفاض خلال هذه الفترة. إذا كان المريض قد نجا في اليوم الماضي 10 ثم هم في حالة جيدة جدا ولها فرصة ضئيلة جدا للوفاة في 6 أشهر التالية. بعد 6 أشهر يبدأ المرضى في تجربة التدهور وفرص الموت يزداد مرة أخرى، وبالتالي فإن وظيفة الخطر يبدأ في الزيادة. بعد عام واحد تقريبا جميع المرضى ماتوا وبالتالي وظيفة عالية جدا الخطر التي سوف تستمر في الزيادة. قد لا تبدو وظيفة الخطر مثل متغير مثير لنموذج ولكن مؤشرات أخرى من الفائدة، مثل وظيفة البقاء على قيد الحياة، مشتقة من معدل الخطر. مرة واحدة لدينا نموذجا لمعدل الخطر يمكننا بسهولة الحصول على هذه الوظائف الأخرى ذات الاهتمام. وباختصار، من المهم فهم مفهوم وظيفة الخطر وفهم شكل وظيفة الخطر. مثال على وظيفة الخطر لمرضى زرع القلب. ونحن عموما غير قادرين على توليد وظيفة الخطر بدلا من ذلك ننظر عادة في منحنى الخطر التراكمي. الهدف من بيانات معهد اليونسكو للإحصاء هو نموذج الوقت حتى العودة إلى تعاطي المخدرات للمرضى المسجلين في اثنين من برامج العلاج السكنية المختلفة التي تختلف في الطول (علاج 0 هو برنامج قصير وعلاج 1 هو البرنامج الطويل). تم تعيين المرضى عشوائيا إلى موقعين مختلفين (الموقع 0 هو الموقع A والموقع 1 هو الموقع B). يشير العمر المتغير إلى العمر عند التسجيل، تشير هيركو إلى الهيروين أو الكوكايين في الأشهر الثلاثة الماضية (تشير هيركو 1 إلى الهيروين والكوكايين، تشير هيركو 2 إلى استخدام الهيروين أو الكوكايين و هيركو 3 لا يشير إلى الهيروين ولا استخدام الكوكايين) و ندروغتكس يشير إلى عدد من العلاجات الدوائية السابقة. الوقت المتغيرات يحتوي على الوقت حتى العودة إلى تعاطي المخدرات ومتغير رقابة يشير إلى ما إذا كان هذا الموضوع عاد إلى تعاطي المخدرات (رقابة 1 يشير إلى العودة إلى استخدام المخدرات والمراقبة 0 خلاف ذلك). دعونا ننظر إلى الملاحظات العشرة الأولى من مجموعة بيانات معهد اليونسكو للإحصاء. لاحظ أن الموضوع 5 هو رقابة ولم تشهد حدث أثناء الدراسة. نلاحظ أيضا أن الترميز للرقابة هو بدلا بديهية لأن القيمة 1 يشير إلى الحدث و 0 يشير الرقابة. وربما يكون من الأنسب استدعاء هذا المتغير كوتيفنتكوت. في أي تحليل البيانات هو دائما فكرة عظيمة للقيام ببعض التحليل ونيفاريت قبل الشروع في نماذج أكثر تعقيدا. في تحليل البقاء على قيد الحياة ينصح بشدة للنظر في منحنيات كابلان-مير لجميع التنبؤات الفئوية. وهذا سيوفر نظرة ثاقبة على شكل وظيفة البقاء على قيد الحياة لكل مجموعة ويعطي فكرة عما إذا كانت المجموعات متناسبة (أي أن وظائف البقاء على قيد الحياة موازية تقريبا). وننظر أيضا في اختبارات المساواة عبر الطبقات لاستكشاف ما إذا كان ينبغي تضمين المتنبأ في النموذج النهائي أم لا. وبالنسبة للمتغيرات الفئوية، سنستخدم اختبار تصنيف المساواة بين الطبقات، وهو اختبار غير بارامتري. بالنسبة للمتغيرات المستمرة سوف نستخدم كوكس المتحد الانحدار النسبي للمخاطر النسبية وهو نموذج شبه بارامتري. وسوف ننظر في تضمين المتنبأ إذا كان الاختبار لديه قيمة p من 0.2 - 0.25 أو أقل. نحن نستخدم هذا النظام القضاء لأن جميع التنبؤات في مجموعة البيانات هي المتغيرات التي يمكن أن تكون ذات صلة بالنموذج. إذا كان لدى المتنبأ قيمة P أكبر من 0.25 في تحليل وحيد المتغير فمن المستبعد جدا أنه سوف يساهم أي شيء لنموذج الذي يتضمن التنبؤات الأخرى. إن اختبار رتبة السجل للمساواة عبر الطبقات لمعامل التنبئ له قيمة p 0.0091، وبالتالي سيتم تضمين المعالجة المرشح المحتمل للنموذج النهائي. من الرسم البياني نرى أن وظيفة البقاء على قيد الحياة لكل مجموعة من العلاج ليست موازية تماما ولكن منفصلة إلا في البداية وفي نهاية المطاف. التداخل في نهاية المطاف لا ينبغي أن يسبب الكثير من القلق لأنه يتحدد فقط عدد قليل جدا من المواضيع الخاضعة للرقابة من عينة مع 628 الموضوعات. وبصفة عامة، يضع اختبار رتبة السجل مزيدا من التركيز على الاختلافات في المنحنيات عند قيم زمنية أكبر. هذا هو السبب في أننا نحصل على مثل هذه القيمة الصغيرة p على الرغم من أن اثنين من منحنيات البقاء على قيد الحياة ويبدو أن قريبة جدا لبعض الوقت أقل من 100 يوما. إن اختبار ترتيب السجل للمساواة عبر الطبقات في موقع التنبؤ يكون له قيمة p 0.1240، وبالتالي سيتم تضمين الموقع كمرشح محتمل للنموذج النهائي لأن هذه القيمة p لا تزال أقل من خفضنا 0.2. من الرسم البياني نرى أن منحنيات البقاء على قيد الحياة ليست كلها موازية وأن هناك فترتين (0، 100 و 200، 300) حيث المنحنيات قريبة جدا معا. وهذا من شأنه أن يفسر قيمة p العالية نسبيا من اختبار رتبة السجل. إن اختبار الترتيب للمساواة بين الطبقات عبر الطبقات لهيركو له قيمة p 0.1473، وبالتالي سيتم تضمين هيركو كمرشح محتمل للنموذج النهائي. من الرسم البياني نرى أن المجموعات الثلاث ليست موازية ولا سيما المجموعات هيركو 1 و هيركو 3 تتداخل مع معظم الرسم البياني. وهذا النقص في التوازي يمكن أن يشكل مشكلة عندما ندرج هذا المتنبأ في نموذج كوكس للنسب النسبي لأن أحد الافتراضات يتناسب مع التنبؤات. وليس من الممكن حساب منحنى كابلان-مير للمتنبؤات المستمرة حيث أنه سيكون هناك منحنى لكل مستوى من مستويات التنبؤ، كما أن التنبؤ المستمر له مستويات مختلفة جدا جدا. وبدلا من ذلك نعتبر نموذج كوكس النسبي للمخاطر النسبية مع متنبئ مستمر واحد. لسوء الحظ فإنه ليس من المحتمل لإنتاج مؤامرة عند استخدام الأمر ستوكس. بدلا من ذلك نعتبر اختبار مربع تشي ل ندروغتكس الذي له قيمة p من 0.0003 وبالتالي ندروغتكس هو المرشح المحتمل للنموذج النهائي منذ قيمة P أقل من قيمة القطع لدينا 0.2. نحدد الخيار نوهر للإشارة إلى أننا لا نريد أن نرى نسبة الخطر بدلا من أننا نريد أن ننظر إلى المعاملات. في هذا النموذج اختبار تشي مربع من العمر لديها أيضا قيمة P أقل من 0.2، لذلك هو المرشح المحتمل للنموذج النهائي. من أجل بناء نموذجنا، سننظر أولا في النموذج الذي سيشمل جميع المتنبئات التي كانت قيمة p أقل من 0.2 - 0.25 في التحليلات أحادية المتغير والتي في هذا التحليل بالتحديد تعني أننا سوف تشمل كل متنبأ في نموذجنا. إن المتنبأ الفئوي هيركو له ثلاثة مستويات، وبالتالي سنقوم بتضمين هذا المتنبأ باستخدام متغير وهمية مع مجموعة هيركو 1 كمجموعة مرجعية. يمكننا إنشاء هذه المتغيرات وهمية على الطاير باستخدام الأمر إكسي مع ستوكس. ومن الواضح أن هركو التنبؤ غير مهم وسوف نقوم بإسقاطه من النموذج النهائي. موقع التنبؤ هو أيضا ليس كبيرا ولكن من البحوث السابقة ونحن نعلم أن هذا هو متغير مهم جدا أن يكون في النموذج النهائي، وبالتالي فإننا لن القضاء على الموقع من النموذج. لذلك، فإن النموذج النهائي للآثار الرئيسية تشمل: العمر. ندروغتكس. علاج والموقع. التالي نحن بحاجة إلى النظر في التفاعلات. ليس لدينا أي معرفة مسبقة بالتفاعلات المحددة التي يجب أن ندرجها لذلك سننظر في جميع التفاعلات الممكنة. منذ نموذجنا هو صغير نوعا ما هذا هو يمكن التحكم فيها ولكن الوضع المثالي هو عندما تكون جميع بناء نموذج، بما في ذلك التفاعلات، مدفوعة من الناحية النظرية. مدة التفاعل من العمر مع ندروغتكس ليست كبيرة ولن يتم تضمينها في النموذج. عمر التفاعل والعلاج ليست كبيرة ولن يتم تضمينها في النموذج. إن موقع التفاعل في عمر العمر كبير وسوف يتم تضمينه في النموذج. التفاعل العلاج عف المخدرات ليست كبيرة، وسوف تكون غير المدرجة في النموذج. الدواء التفاعل والموقع ليست كبيرة ولن يتم تضمينها في النموذج. التفاعل وعلاج الموقع ليست كبيرة ولن يتم تضمينها في النموذج. النموذج النهائي بما في ذلك التفاعل. الآن يمكننا أن نرى لماذا كان من المهم أن تدرج الموقع في نموذجنا كما اقترح البحوث السابقة لأنه تبين أن الموقع هو المشاركة في التفاعل الهام الوحيد في النموذج. يمكننا مقارنة النموذج مع التفاعل مع النموذج دون التفاعل باستخدام الأمر لرتيست منذ نماذج متداخلة. يشير لرتست كبير أننا نرفض فرضية نول أن النموذجين تناسب البيانات على قدم المساواة بشكل جيد ويستنتج أن النموذج الأكبر مع التفاعل يناسب البيانات أفضل من النموذج الأصغر الذي لم يتضمن التفاعل. النموذج النهائي وتفسير نسب الخطر. من النظر إلى نسب الخطر (وتسمى أيضا المخاطر النسبية) يشير النموذج إلى أنه مع زيادة عدد العلاجات الدوائية السابقة (ندروغتكس) من قبل وحدة واحدة، وجميع المتغيرات الأخرى ثابتة، ومعدل الانتكاس يزيد بنسبة 3.7. إذا تم تغيير طول العلاج من قصيرة إلى طويلة، مع الاحتفاظ بجميع المتغيرات الأخرى ثابتة، ومعدل الانتكاس ينخفض ​​بنسبة (100 - 76.5) 23.5. كما يتم نقل العلاج من الموقع A إلى الموقع B والعمر يساوي الصفر، وتظل جميع المتغيرات الأخرى ثابتة، ينخفض ​​معدل الانتكاس بنسبة (100 - 28.8) 71.2. وتستند جميع هذه النتائج على الناتج باستخدام نسب الخطر. لمناقشة المتغيرات التي تنطوي على مصطلح التفاعل، مثل العمر والموقع في نموذجنا، ونحن بحاجة إلى استخدام المعاملات الخام وهنا هي مدرجة أدناه فقط للراحة. مقارنة 2 موضوع في الموقع A (الموقع 0)، زيادة في سن 5 سنوات في حين تحتفظ جميع المتغيرات الأخرى عوائد ثابتة نسبة خطر يساوي إكس (-0.033695) .84497351. وهكذا، انخفض معدل الانتكاس بنسبة (100 - 84.5) 15.5 مع زيادة قدرها 5 سنوات في العمر. مقارنة 2 موضوعا في الموقع B، زيادة في سن 5 سنوات مع الاحتفاظ بجميع المتغيرات الأخرى ثابتة، وتنتج نسبة خطر يساوي إكس (-0.033695 0.033775) 1.0004. وبالتالي، فإن معدل الانتكاس يبقى ثابتا إلى حد ما بالنسبة للموضوعات في الموقع B منذ 1.0004 إذا كان ذلك قريبا من 1. واحدة من الافتراضات الرئيسية لنموذج كوكس النسبي الخطر هو التناسب. هناك العديد من الطرق للتحقق من أن نموذج يفي افتراض التناسب وللمزيد من المعلومات حول هذا الموضوع يرجى الرجوع إلى الأسئلة الشائعة لدينا اختبارات التناسب في ساس، ستاتا، سبلوس و R. وسوف تحقق التناسب من خلال تضمين المتغيرات التي تعتمد على الوقت في نموذج باستخدام خيارات تكف و تكسب في الأمر ستوكس. المتغيرات المشتركة تعتمد على الوقت هي التفاعلات من التنبؤات والوقت. في هذا التحليل نختار استخدام التفاعلات مع سجل (الوقت) لأن هذه هي الوظيفة الأكثر شيوعا من الوقت المستخدم في المتغيرات المشتركة تعتمد على الوقت ولكن يمكن استخدام أي وظيفة من الوقت. إذا كان المتغير المشترك الذي يعتمد على الوقت كبيرا، فهذا يشير إلى انتهاك افتراض التناسب لهذا المتنبأ المحدد. والاستنتاج هو أن جميع المتغيرات المعتمدة على الوقت ليست كبيرة إما بشكل جماعي أو فردي وبالتالي دعم افتراض الخطر النسبي. طريقة أخرى لاختبار افتراض التناسب باستخدام شونفيلد و ششونفيلد بقايا تحجيم التي يجب أولا أن يتم حفظها من خلال الأمر ستوكس. في الأمر ستفتيست نحن اختبار التناسب من النموذج ككل وباستخدام خيار التفاصيل نحصل على اختبار التناسب لكل متنبأ. باستخدام الخيار مؤامرة يمكننا أيضا الحصول على رسم بياني من الافتراض ششونفيلد تحجيم. إذا كانت الاختبارات في الجدول ليست ذات دلالة (قيم P أكثر من 0.05) فلا يمكننا رفض التناسب ونفترض أننا لا نخالف الافتراض النسبي. ويشير الخط الأفقي في الرسوم البيانية أيضا إلى أنه لا يوجد انتهاك لافتراض التناسب. يستخدم الأمر ستفبلوت مؤامرات تسجيل الدخول لاختبار التناسب وإذا كانت الخطوط في هذه المؤامرات متوازية، فإننا نملك دلالة أخرى على أن التنبؤات لا تنتهك افتراض التناسب. قد يستدعي علاج التنبؤ بعض الفحص الدقيق لأنه لا يوجد لديه اختبار كبير والمنحنى في الرسم البياني ليس أفقيا تماما. الرسم البياني من الأمر ستفبلوت ليس لديها منحنيات متوازية تماما. ومع ذلك، نختار ترك العلاج في نموذج دون تغيير على أساس البحوث السابقة. إذا كان أحد المتنبئين لم تكن متناسبة هناك حلول مختلفة للنظر فيها. ويتمثل أحد الحلول في تضمين المتغير الذي يعتمد على الوقت للمتنبئات غير المتناسبة. وثمة حل آخر هو التقسيم إلى متنبؤ غير متناسب. وفيما يلي مثال على الطبقية على علاج التنبؤ. لاحظ أن العلاج لم يعد مدرجا في بيان النموذج بدلا من ذلك يتم تحديده في عبارة الطبقات. تقديرات المعلمة هي نفسها تقريبا لكل مستوى من العلاج الذي يشير كذلك إلى أن العلاج هو حقا متناسب. إذا كان العلاج ينتهك حقا افتراض التناسب، فإننا نتوقع أن تختلف التقديرات. التقديرات هي أيضا مشابهة جدا للتقديرات التي تم الحصول عليها من النموذج بما في ذلك علاج كمؤشر. وسيكون لكل نمط متغاير وظيفة البقاء على قيد الحياة مختلفة. وتكون وظيفة البقاء على قيد الحياة الافتراضية للنمط المتغاير حيث يكون كل متنبأ مساويا للصفر. ومع ذلك، بالنسبة لكثير من التنبؤات هذه القيمة ليست ذات مغزى لأن هذه القيمة تقع خارج البيانات مثل سن 0. سيكون من المفيد كثيرا لتحديد نمط المتغير المشترك الدقيق وتوليد وظيفة البقاء على قيد الحياة للموضوعات مع هذا النمط المتغير المشترك محددة. في المثال التالي نرغب في الرسم البياني لوظيفة البقاء على قيد الحياة للموضوع الذي يبلغ من العمر 30 عاما (30 عاما)، وكان لديه 5 العلاجات الدوائية السابقة (ندروغتكس 5)، ويحصل حاليا على العلاج الطويل (علاج 1) في الموقع A ( سيت 0 أند أجيرزيت 300 0). نحن أولا إخراج وظيفة البقاء على قيد الحياة خط الأساس لنمط المتغير المشترك حيث يتم تعيين جميع التنبؤات إلى الصفر. ثم نقوم برفع وظيفة بقاء خط الأساس إلى الأسي للخلط مزيج من المعاملات وقيم المتغيرات في النمط المتغاير من الفائدة. وهكذا، في هذه الحالة بالذات، تكون التركيبة الخطية كما يلي: -0.0336943300.03645375 - 0.26741131 - 1.2459280 - .03377280. وبالنظر إلى وظيفة البقاء على قيد الحياة لنمط واحد المتغايرين في بعض الأحيان ليست كافية. وغالبا ما يكون من المفيد جدا أن يكون الرسم البياني حيث يمكننا مقارنة وظائف البقاء على قيد الحياة من مجموعات مختلفة. في المثال التالي نقوم بإنشاء رسم بياني مع وظائف البقاء على قيد الحياة لمجموعتي العلاج حيث جميع المواضيع 30 سنة (30 سنة)، وكان 5 العلاجات الدوائية السابقة (ندروغتكس 5) ويجري حاليا علاجها في الموقع A (الموقع 0 و أجيرسيت 3000). وهكذا، فإن النمطين المتغايرين تختلف فقط في قيمها للعلاج. يمكننا تقييم تناسب النموذج باستخدام مخلفات كوكس-سنيل. إذا كان النموذج يناسب البيانات جيدا، فإن دالة الخطر التراكمي الحقيقية المشروطة على المتجه المتغاير توزع أسيا بمعدل خطر واحد. وهذا يترجم إلى تركيب النموذج باستخدام الأمر ستوكس وتحديد الخيار مغالي التي سوف تولد بقايا مارتينغال. ثم نستخدم الأمر التنبؤ مع الخيار سنيل لتوليد كوكس-سنيل المتبقية للنموذج. نحن إعادة تعيين البيانات باستخدام الأمر ستيت تحديد المتغير كس. المتغير الذي يحتوي على مخلفات كوكس-سنيل، كمتغير الوقت. ثم نستخدم الأمر ستس توليد لإنشاء وظيفة الخطر التراكمي نيلسون-آلين. وأخيرا، فإننا رسم بياني وظيفة الخطر التراكمي نيلسون آلين ومتغير كس بحيث يمكننا مقارنة وظيفة الخطر إلى خط قطري. إذا كانت وظيفة الخطر تتبع خط 45 درجة فإننا نعلم أن لديها تقريبا توزيع أسي بمعدل خطر واحد وأن النموذج يناسب البيانات بشكل جيد. ونحن نرى أن وظيفة الخطر يتبع خط 45 درجة عن كثب إلا لقيم كبيرة جدا من الزمن. ومن الشائع جدا بالنسبة للنماذج التي تحتوي على بيانات خاضعة للرقابة أن يكون لها بعض التذبذب في قيم كبيرة من الزمن، وأنه ليس شيئا ينبغي أن يسبب الكثير من القلق. وعموما نخلص إلى أن النموذج النهائي يناسب البيانات بشكل جيد للغاية. محتوى هذا الموقع لا ينبغي أن يفسر على أنه تأييد لأي موقع ويب معين، كتاب، أو منتج البرمجيات من قبل جامعة كاليفورنيا. أساليب ديموغرافية جامعة برينستون كابلان-مير البقاء على قيد الحياة ستاتا لديها مرافق ممتازة لتحليل البقاء على قيد الحياة في الوقت المستمر، بما في ذلك وهو مقدر كابلان-ماير. وسوف أوضح مقدر باستخدام البيانات جيهان التي نوقشت في الصف. هذه هي أسابيع قبل انتكاس مرضى السرطان في السيطرة ومجموعة علاج (ترميز 1 و 2 على التوالي). أول شيء تفعله في ستاتا هو ستسيت البيانات التي تحدد المتغير الذي يمثل الوقت والمتغير الذي يميز الفشل من الحالات الخاضعة للرقابة: نحصل على بيان مفيد حول عدد من الفشل والوقت الكلي في خطر. لحساب ورسم تقدير كابلان-مير من قبل مجموعة نستخدم الرسم البياني ستس يمكنك الحصول على نقاط الثقة بوينتويز على أساس أخطاء غرينوود القياسية باستخدام خيار غوود. عندما يقترن تجميع هذه النتائج جنبا إلى جنب المؤامرات. لمعرفة التقدير في المجد الكامل ستس قائمة ستس. يجب أن تكون قادرا على إعادة إنتاج كل هذه النتائج باليد، كما فعلنا في الصف. كوبي 2017 جيرماكوتن رودرياكوتيغيز، برينستون ونيفرزيتي