R brier 计算 Cox 模型的 Brier 分数

说明

计算 coxph 模型的 Brier 分数

用法

brier(fit, times, newdata, ties = TRUE, detail = FALSE, timefix = TRUE, 
      efron = FALSE)

参数

fit	coxph 拟合的结果
times	创建分数的时间点
newdata	可选，用于验证先前与新数据的拟合
ties	如果为 TRUE，则正确处理绑定事件/审查时间
detail	如果为 TRUE，则返回的对象具有更多详细信息。这对于调试或指导很有用。
timefix	处理数据中的密切联系。请参阅捆绑时间小插图。
efron	对 NULL 模型使用与 coxph 调用中使用的相同的生存估计

细节

在小插图中可以找到更多细节。在任何时间点 tau，缩放后的 Brier 分数本质上是 R-squared 统计量，其中 y = 0/1 变量“tau 处或之前的事件”，yhat 是模型预测的 tau 事件的概率，并且ybar 是没有协变量的预测概率，通常来自Kaplan-Meier。如果是 R^2= 1- \sum(y- \hat y)^2/\sum (y- \mu)^2 ，则 Brier 分数在形式上只是第二项的分子。然而，重新调整后的值更有用。

许多甚至大多数算法都不能正确处理绑定的审查时间/事件时间对。 tied 选项的存在主要是为了验证当我们犯同样的错误时我们是否得到相同的答案。误差的数值大小非常小；只是大到足以引起人们对该函数不正确的担忧。

可以提出一个合理的论点，即 NULL 模型应该是没有协变量的 coxph 调用，而不是 Kaplan-Meier；但事实证明，效果非常轻微。 efron 参数允许这样做。

值

包含组件的列表

rsquared	R^2 值，缩放的 Brier 分数。这将是一个向量，每个时间点都有一个条目。
brier	Brier 分数，每个时间点有一个条目的向量
times	计算分数的时间点

例子

cfit <- coxph(Surv(rtime, recur) ~ age + meno + size + pmin(nodes,11), 
              data= rotterdam)
round(cfit$concordance["concordance"], 3)  # some predictive power
brier(cfit, times=c(4,6)*365.25)   # values at 4 and 6 years

作者

Terry Therneau

也可以看看

rttright