R brier 計算 Cox 模型的 Brier 分數

說明

計算 coxph 模型的 Brier 分數

用法

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

參數

fit	coxph 擬合的結果
times	創建分數的時間點
newdata	可選，用於驗證先前與新數據的擬合
ties	如果為 TRUE，則正確處理綁定事件/審查時間
detail	如果為 TRUE，則返回的對象具有更多詳細信息。這對於調試或指導很有用。
timefix	處理數據中的密切聯係。請參閱捆綁時間小插圖。
efron	對 NULL 模型使用與 coxph 調用中使用的相同的生存估計

細節

在小插圖中可以找到更多細節。在任何時間點 tau，縮放後的 Brier 分數本質上是 R-squared 統計量，其中 y = 0/1 變量“tau 處或之前的事件”，yhat 是模型預測的 tau 事件的概率，並且ybar 是沒有協變量的預測概率，通常來自Kaplan-Meier。如果是 R^2= 1- \sum(y- \hat y)^2/\sum (y- \mu)^2 ，則 Brier 分數在形式上隻是第二項的分子。然而，重新調整後的值更有用。

許多甚至大多數算法都不能正確處理綁定的審查時間/事件時間對。 tied 選項的存在主要是為了驗證當我們犯同樣的錯誤時我們是否得到相同的答案。誤差的數值大小非常小；隻是大到足以引起人們對該函數不正確的擔憂。

可以提出一個合理的論點，即 NULL 模型應該是沒有協變量的 coxph 調用，而不是 Kaplan-Meier；但事實證明，效果非常輕微。 efron 參數允許這樣做。

值

包含組件的列表

rsquared	R^2 值，縮放的 Brier 分數。這將是一個向量，每個時間點都有一個條目。
brier	Brier 分數，每個時間點有一個條目的向量
times	計算分數的時間點

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