R residuals.survreg 计算“survreg”对象的残差

说明

这是函数 residuals 的方法，适用于从类 survreg 继承的对象。

用法

## S3 method for class 'survreg'
residuals(object, type=c("response", "deviance","dfbeta","dfbetas",
"working","ldcase","ldresp","ldshape", "matrix"), rsigma=TRUE,
collapse=FALSE, weighted=FALSE, ...)

参数

object	从类 survreg 继承的对象。
type	残差类型，可选择 "response" , "deviance" , "dfbeta" , "dfbetas" , "working" , "ldcase" , "lsresp" , "ldshape" 和 "matrix" 。
rsigma	在进行计算时，将尺度参数包含在方差矩阵中。 (我想不出有什么好的理由不这样做)。
collapse	主题组的可选向量。如果给定，它必须与残差具有相同的长度，并且导致结果是每组残差。
weighted	给出加权残差？通常残差是未加权的。
...	其他未使用的参数

值

返回残差向量或矩阵。响应残差采用原始数据的尺度，工作残差采用线性预测器的尺度，偏差残差采用对数似然尺度。 dfbeta 残差是一个矩阵，其中第 i 行给出了由于添加主体 i 而导致的系数的近似变化。 dfbetas 矩阵包含 dfbeta 残差，每列均按该系数的标准差缩放。

矩阵类型根据对数似然函数的导数生成矩阵。令 L 为对数似然，p 为线性预测变量 X\beta ，s 为 \log(\sigma) 。那么矩阵的 6 列是 L 、 dL/dp 、 \partial^2L/\partial p^2 、 dL/ds 、 \partial^2L/\partial s^2 和 \partial^2L/\partial p\partial s 。 Escobar 和 Meeker 在书中和文章中讨论了基于这些量的诊断。主要是案例权重扰动的似然位移残差 (ldcase )、响应值 (ldresp ) 和 shape 。

对于 log-normal 或 Weibull 等变换分布，矩阵残差基于变换数据 log(y) 的对数似然。对于单调函数 f，f(X) 的密度是 X 的密度除以 f(雅可比行列式)的导数，因此从每个未经审查的观测值的 loglik 值中减去 log(导数)，以匹配 loglik 分量结果。矩阵残差的其他列不会因变换而改变。

例子

fit <- survreg(Surv(futime, death) ~ age + sex, mgus2)
summary(fit)   # age and sex are both important

rr  <- residuals(fit, type='matrix')
sum(rr[,1]) - with(mgus2, sum(log(futime[death==1]))) # loglik

plot(mgus2$age, rr[,2], col= (1+mgus2$death)) # ldresp

参考

Escobar, L. A. and Meeker, W. Q. (1992). Assessing influence in regression analysis with censored data. Biometrics 48, 507-528.

Escobar, L. A. and Meeker, W. Q. (1998). Statistical Methods for Reliablilty Data. Wiley.

也可以看看

predict.survreg