他的首页
他的馆藏
他的动态
馆友反馈
关于他
| 共 24 篇文章 |
|
后退：就是把所有的自变量都放进去然后把贡献小的自变量一个一个的往出来取，直到所有的自变量都显著。我们把自变量的最大个数nvmax规定为5，所以我们会跑出来不同自变量个数的最佳自变量组合的模型结果：我们需要根据模型的RMSE和MAE对模型进行选择，可以看到模型5的RMSE和MAE是最小的，所以最好的模型就是5个变量都放进去，当然了，你不愿意... 阅811 转2 评0 公众公开 21-02-16 18:00 |
R数据分析：一般线性回归的做法和解释。如果我用两个或者两个以上的自变量来做预测就是多元线性回归，做法都很简单：simple.fit = lm(Sales~Spend, data=dataset)summary(simple.fit)multi.fit = lm(Sales~Spend+Month, data=dataset)summary(multi.fit)plot(simple.fit$resid~dataset$Spend[order(dataset$Spend)], main=" 简单线性回归... 阅100 转0 评0 公众公开 21-02-15 19:15 |
R数据分析：如何做数据的非线性关系，多项式回归的做法和解释。如果你得数据确实不是线性关系，就得考虑数据转化或者拟合多项式回归。最好还是给大家可视化一下，我们打算把原始的趋势线和我们的置信区间的上下限都画在同一个图上：lines(q,predicted.intervals[,1],col=''''''''green''''... 阅115 转0 评0 公众公开 21-02-13 17:54 |
R数据分析：竞争风险模型的做法和解释二.有了这个预测变量矩阵我们就可以开始拟合我们竞争风险模型了，主要要用到crr这个函数，这个函数最简单的模式就是你把随访事件喂给它，把结局事件喂给它，再把自变量喂给他，要注意删失数据编码为0，主要事件编码为1，竞争事件为2：mod1 <- crr(ftime,Status,x)summary(mod1)对于分类变量来说，相对风... 阅154 转8 评0 公众公开 21-02-07 06:33 |
R数据分析：竞争风险模型的做法和解释。竞争风险模型可以作为Kaplan–Meier (KM)和cox比例风险模型的补充，在你的病人有很多个风险因素暴露的时候，如果你还将死于其余事件的数据记为删失数据就会高估你研究的暴露因素的累计发病率，这个时候使用竞争风险模型才是最好的选择：删失结局为0，所以我们有1，2两个结局相互竞争，分别是“死于A病”... 阅505 转2 评0 公众公开 21-02-06 19:06 |
今天给大家写写如何把你做的模型系数画出来，就是你的模型中自变量都有一个系数和置信区间嘛，那么我们把系数和其置信区间画出来的样子就像是meta中的森林图差不多，所以我把文章起了个绘制回归分析结果的森林图。然后我们可以看一看模型的OR值和置信区间：exp(cbind(OR = coef(mylogit), confint(mylogit)))那么要画出模型系数的森林图最简单... 阅371 转1 评0 公众公开 21-02-05 23:12 |
R数据分析：列线图的做法及解释。直到我了解到列线图这个东西，才知道模型可以通过列线图转化为实际的应用工具。虽然我们知道如何看列线图做解释了，但是我们现在画的这个列线图还不好使用，如果你把它打印下来估计还需要拿一个直尺才对的准。今天给大家写了列线图的简单做法，之后给大家写写更复杂的，大家一定记住，列线图只是一个模型的可视... 阅451 转2 评0 公众公开 21-02-04 13:36 |
上面的式子，一句话就是：t时间的风险等于基线风险乘以所有预测变量造成的风险的指数幂。那么具体到我们的例子，我们可以做一个风险比例模型瞅瞅：fit.coxph <- coxph(Surv(time, status) ~ sex + rx + adhere, data = colon)summary(fit.coxph)具体解释为：相对于观察组，施加rxlev治疗和relev+5FU治疗的病人发生结局（死亡）的风险会分别... 阅59 转0 评0 公众公开 21-02-04 10:54 |
因为生存时间是生存分析的分析对象，所以对生存时间的长度确定至关重要。Kaplan-Meier计算生存函数。这个自带数据集有肺癌患者的生存时间，我们在本例中关注三个变量，一个是time，是患者的生存天数，一个是结局status，1=censored, 2=dead，另一个是分组变量sex性别：那么我们可以首先做一个Kaplan-Meier的生存分析：fit <- survfit(Surv(t... 阅269 转0 评0 公众公开 21-02-04 10:54 |
可以看到我们的数据全是数值变量但是没有标准化，所以我们在做PCA的时候记得要将它标准化一波，很简单，只要设置scale的参数为真就行：mtcars.pca <- prcomp(mtcars, center = TRUE,scale. = TRUE)summary(mtcars.pca)ggbiplot(mtcars.pca,ellipse=TRUE, labels=rownames(mtcars), groups=mtcars.country)安排：ggbiplot(mtcars.pca,ellipse... 阅203 转2 评0 公众公开 21-02-04 10:54 |
