生成/绘制对数正态生存函数

时间:2012-06-19 08:49:03

标签: r data-visualization

我在SAS LIFEREG中有一个加速故障时间模型,我想绘制。因为SAS在绘图时非常糟糕,所以我想实际重新生成R中曲线的数据并将其绘制在那里。 SAS将指数分布(在指数分布固定为1的情况下),截距和回归系数放在暴露或未暴露的人群中。

有两条曲线,一条用于暴露,一条用于未暴露的人口。其中一个模型是指数分布,我已经生成了数据和图形:

intercept <- 5.00
effect<- -0.500
data<- data.frame(time=seq(0:180)-1)
data$s_unexposed <- apply(data,1,function(row) exp(-(exp(-intercept))*row[1]))
data$s_exposed <- apply(data,1,function(row) exp(-(exp(-(intercept+effect))*row[1])))

plot(data$time,data$s_unexposed, type="l", ylim=c(0,1) ,xaxt='n',
     xlab="Days since Infection", ylab="Percent Surviving", lwd=2)
axis(1, at=c(0, 20, 40, 60, 80, 100, 120, 140, 160, 180))
lines(data$time,data$s_exposed, col="red",lwd=2)
legend("topright", c("ICU Patients", "Non-ICU Patients"), lwd=2, col=c("red","black") )

这给了我这个:

enter image description here

不是最漂亮的图表,但我真的不知道我的方式围绕ggplot2足以修饰它。但更重要的是,我有一个来自Log Normal分布的第二组数据,而不是指数,我为此生成数据的尝试完全失败了 - 将cdf用于正态分布等等put它超越了我的R技能。

任何人都能指出正确的方向,使用相同的数字,并且比例参数为1?

1 个答案:

答案 0 :(得分:7)

对数正态模型在时间t的生存函数可以用R 1 - plnorm()表示,其中plnorm()是对数正态累积分布函数。为了说明,我们首先将您的情节放入函数中以方便:

## Function to plot aft data
plot.aft <- function(x, legend = c("ICU Patients", "Non-ICU Patients"),
    xlab = "Days since Infection", ylab="Percent Surviving", lwd = 2,
    col = c("red", "black"), at = c(0, 20, 40, 60, 80, 100, 120, 140, 160, 180),
        ...)
{
    plot(x[, 1], x[, 2], type = "l", ylim = c(0, 1), xaxt = "n", 
            xlab = xlab, ylab = ylab, col = col[2], lwd = 2, ...)
    axis(1, at = at)
    lines(x[, 1], x[, 3], col = col[1], lwd=2)
    legend("topright", legend = legend, lwd = lwd, col = col)
}

接下来,我们将指定系数,变量和模型,然后生成指数和对数正态模型的生存概率:

## Specify coefficients, variables, and linear models
beta0 <- 5.00
beta1 <- -0.500
icu <- c(0, 1)
t <- seq(0, 180)
linmod <- beta0 + (beta1 * icu)
names(linmod) <- c("unexposed", "exposed")

## Generate s(t) from exponential AFT model
s0.exp <- dexp(exp(-linmod["unexposed"]) * t)
s1.exp <- dexp(exp(-linmod["exposed"]) * t)

## Generate s(t) from lognormal AFT model
s0.lnorm <- 1 - plnorm(t, meanlog = linmod["unexposed"])
s1.lnorm <- 1 - plnorm(t, meanlog = linmod["exposed"])

最后,我们可以绘制生存概率:

## Plot survival
plot.aft(data.frame(t, s0.exp, s1.exp), main = "Exponential model")
plot.aft(data.frame(t, s0.lnorm, s1.lnorm), main = "Log-normal model")

结果数字:

Exponential model

Log-normal model

请注意

plnorm(t, meanlog = linmod["exposed"])

相同
pnorm((log(t) - linmod["exposed"]) / 1) 

是对数正态生存函数的正则方程中的Φ:S(t)= 1 - Φ((ln(t) - μ)/σ)

我相信你知道,有很多R软件包可以处理加速故障时间模型,具有左,右或间隔审查,如survival task view中所列,以防您碰巧开发R优先于SAS。