R residuals.survreg 計算“survreg”對象的殘差

說明

這是函數 residuals 的方法，適用於從類 survreg 繼承的對象。

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, ...)

參數

object	從類 survreg 繼承的對象。
type	殘差類型，可選擇 "response" , "deviance" , "dfbeta" , "dfbetas" , "working" , "ldcase" , "lsresp" , "ldshape" 和 "matrix" 。
rsigma	在進行計算時，將尺度參數包含在方差矩陣中。 (我想不出有什麽好的理由不這樣做)。
collapse	主題組的可選向量。如果給定，它必須與殘差具有相同的長度，並且導致結果是每組殘差。
weighted	給出加權殘差？通常殘差是未加權的。
...	其他未使用的參數

值

返回殘差向量或矩陣。響應殘差采用原始數據的尺度，工作殘差采用線性預測器的尺度，偏差殘差采用對數似然尺度。 dfbeta 殘差是一個矩陣，其中第 i 行給出了由於添加主體 i 而導致的係數的近似變化。 dfbetas 矩陣包含 dfbeta 殘差，每列均按該係數的標準差縮放。

矩陣類型根據對數似然函數的導數生成矩陣。令 L 為對數似然，p 為線性預測變量 X\beta ，s 為 \log(\sigma) 。那麽矩陣的 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 在書中和文章中討論了基於這些量的診斷。主要是案例權重擾動的似然位移殘差 (ldcase )、響應值 (ldresp ) 和 shape 。

對於 log-normal 或 Weibull 等變換分布，矩陣殘差基於變換數據 log(y) 的對數似然。對於單調函數 f，f(X) 的密度是 X 的密度除以 f(雅可比行列式)的導數，因此從每個未經審查的觀測值的 loglik 值中減去 log(導數)，以匹配 loglik 分量結果。矩陣殘差的其他列不會因變換而改變。

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

參考

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