Я использую пакет спасательный круг для регрессии Кокса. После попытки подбора модели, я проверил предположения CPH на возможные нарушения, и он вернул некоторые проблемные переменные c вместе с предлагаемыми решениями.
Одним из решений, которое я хотел бы попробовать, является один из предложенных здесь: https://lifelines.readthedocs.io/en/latest/jupyter_notebooks/Proportional%20hazard%20assumption.html#Introduce -время-переменные-ковариаты
Однако, приведенный здесь пример использует CoxTimeVaryingFitter , который, в отличие от CoxPHFitter, не имеет оценки соответствия, которая поможет мне оценить производительность модели. Кроме того, CoxTimeVaryingFitter не имеет функции проверки предположения. Означает ли это, что, переводя его в формат эпизода c, все предположения автоматически удовлетворяются?
В качестве альтернативы, после прочтения учебника SAS по анализу выживания, казалось, что их решение состоит в том, чтобы создать термин взаимодействия напрямую. (умножение проблемной переменной c на время выживания) без изменения формата на эпизодический c (как показано в ссылке). Таким образом, я надеялся просто продолжать использовать CoxPHFitter из-за его возможности оценки модели.
Однако, после выполнения этой альтернативы, когда я снова вызываю check_assumptions для модели с временным взаимодействием переменная, допущение CPH для переменной временного взаимодействия нарушено.
Теперь я разрываюсь между:
- Использование CoxTimeVaryingFitter , не зная, какова производительность модели (кажется плохой идеей)
- Использование CoxPHFitter , но допущение нарушается в зависимости от времени-взаимодействия (что по своей сути не решает проблему)
Любая помощь в разрешении этой путаницы приветствуется