R dsurvreg survreg 中提供了發行版。

說明

survreg 函數支持的分布集的密度、累積分布函數、分位數函數和隨機生成。

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)

參數

x	分位數向量。允許缺失值 (NA s)。
q	分位數向量。允許缺失值 (NA s)。
p	概率向量。允許缺失值 (NA s)。
n	產生的隨機偏差的數量
mean	模型的位置(線性預測器)參數向量。它被複製為與 p 、 q 或 n 相同的長度。
scale	(正)比例因子的向量。它被複製為與 p 、 q 或 n 相同的長度。
distribution	給出發行版名稱的字符串。這必須是survreg.distributions 的元素之一
parms	分布的可選參數(如果有)。對於 t 分布，這是自由度。

細節

q或p的元素缺失將導致結果的相應元素缺失。

location 和 scale 值與 survreg 的值相同。標簽 "mean" 是一個不幸的選擇(模仿 qnorm)；更正確的標簽是"linear predictor"。由於這些分布幾乎都不對稱，因此位置參數實際上並不是平均值。

survreg 例程使用 Kalbfleisch 和 Prentice 第 2 章中的參數化。轉換為教科書中常見的參數化並不總是顯而易見的。例如，威布爾分布具有累積分布函數 F(t) = 1 - e^{-(\lambda t)^p} 。實際擬合使用 \log(t) 具有極值分布的事實，位置和尺度為 \alpha, \sigma ，這是 survreg 函數報告的位置和尺度參數。這些參數通過 \sigma= 1/p 和 \alpha = -\log(\lambda 相關。 stats::dweibull 例程根據形狀和比例參數進行參數化，這些參數對應於 K 和 P 表示法中的 p 和 1/\lambda。結合這些我們可以看到 shape = 1/\sigma 和 scale = \exp{alpha} 。

值

密度 ( dsurvreg )、概率 ( psurvreg )、分位數 ( qsurvreg )，或具有平均值和尺度參數 mean 和 sd 的請求分布。

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))

參考

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

參考

Kalbfleisch, J. D. 和 Prentice, R. L.，故障時間數據的統計分析，Wiley，2002 年。

也可以看看

survreg、Normal