R dsurvreg survreg 中提供了发行版。

说明

survreg 函数支持的分布集的密度、累积分布函数、分位数函数和随机生成。

用法

dsurvreg(x, mean, scale=1, distribution='weibull', parms)
psurvreg(q, mean, scale=1, distribution='weibull', parms)
qsurvreg(p, mean, scale=1, distribution='weibull', parms)
rsurvreg(n, mean, scale=1, distribution='weibull', parms)

参数

x	分位数向量。允许缺失值 (NA s)。
q	分位数向量。允许缺失值 (NA s)。
p	概率向量。允许缺失值 (NA s)。
n	产生的随机偏差的数量
mean	模型的位置(线性预测器)参数向量。它被复制为与 p 、 q 或 n 相同的长度。
scale	(正)比例因子的向量。它被复制为与 p 、 q 或 n 相同的长度。
distribution	给出发行版名称的字符串。这必须是survreg.distributions 的元素之一
parms	分布的可选参数(如果有)。对于 t 分布，这是自由度。

细节

q或p的元素缺失将导致结果的相应元素缺失。

location 和 scale 值与 survreg 的值相同。标签 "mean" 是一个不幸的选择(模仿 qnorm)；更正确的标签是"linear predictor"。由于这些分布几乎都不对称，因此位置参数实际上并不是平均值。

survreg 例程使用 Kalbfleisch 和 Prentice 第 2 章中的参数化。转换为教科书中常见的参数化并不总是显而易见的。例如，威布尔分布具有累积分布函数 F(t) = 1 - e^{-(\lambda t)^p} 。实际拟合使用 \log(t) 具有极值分布的事实，位置和尺度为 \alpha, \sigma ，这是 survreg 函数报告的位置和尺度参数。这些参数通过 \sigma= 1/p 和 \alpha = -\log(\lambda 相关。 stats::dweibull 例程根据形状和比例参数进行参数化，这些参数对应于 K 和 P 表示法中的 p 和 1/\lambda。结合这些我们可以看到 shape = 1/\sigma 和 scale = \exp{alpha} 。

值

密度 ( dsurvreg )、概率 ( psurvreg )、分位数 ( qsurvreg )，或具有平均值和尺度参数 mean 和 sd 的请求分布。

例子

# List of distributions available
names(survreg.distributions)
## Not run: 
 [1] "extreme"     "logistic"    "gaussian"    "weibull"     "exponential"
 [6] "rayleigh"    "loggaussian" "lognormal"   "loglogistic" "t"          

## End(Not run)
# Compare results
all.equal(dsurvreg(1:10, 2, 5, dist='lognormal'), dlnorm(1:10, 2, 5))

# Hazard function for a Weibull distribution
x   <- seq(.1, 3, length=30)
haz <- dsurvreg(x, 2, 3)/ (1-psurvreg(x, 2, 3))
## Not run: 
plot(x, haz, log='xy', ylab="Hazard") #line with slope (1/scale -1)

## End(Not run)

# Estimated CDF of a simple Weibull
fit <- survreg(Surv(time, status) ~ 1, data=lung)
pp <- 1:99/100  
q1 <- qsurvreg(pp, coef(fit), fit$scale)
q2 <- qweibull(pp, shape= 1/fit$scale, scale= exp(coef(fit)))
all.equal(q1, q2)
## Not run: 
plot(q1, pp, type='l', xlab="Months", ylab="CDF")

## End(Not run)
# per the help page for dweibull, the mean is scale * gamma(1 + 1/shape)
c(mean = exp(coef(fit))* gamma(1 + fit$scale))

参考

Kalbfleisch, J. D. and Prentice, R. L. (1970). The Statistical Analysis of Failure Time Data Wiley, New York.

参考

Kalbfleisch, J. D. 和 Prentice, R. L.，故障时间数据的统计分析，Wiley，2002 年。

也可以看看

survreg、Normal