适当的审查和截断以进行客户生存分析

Question

我正在研究常规的客户生存分析问题。在这里，我分析了在2008-1-1和2018-1-1之间注册的客户。客户可以在此间隔内的任何时间进行注册，并在截止日期2018-1-1或之后的任何时间退出。

示例数据如下所示。第一列是标识符，第二列是它们截至2018-1-1的状态：“ 1表示已取消，0表示未取消”。第三栏是他们的注册日期与2008-1-1之间的星期数。最后一列是取消日期与2008-1-1之间的周数（如果在2018-1-1之前取消）或2008-1-1与2018-1-1之间的周数（如果未取消或之后取消） 2018-1-1）。

dput（）生成上述数据集

structure(list(PrimaryConstituentSKey = c(1370591L, 1225587L, 
1264156L, 1266355L, 3080025L), Cancelled = c(1, 1, 1, 1, 0), 
startTime = c(0, 0, 0, 1, 101), stopTime = c(10, 34, 5, 9, 
123)), row.names = c(NA, -5L), class = "data.frame")

我将使用此数据创建一个“生存对象”，稍后将其用于生存模型的响应变量。

• 理论问题

  我在交叉验证中问过什么，但尚未收到任何回复(https://stats.stackexchange.com/questions/423802/appropriate-censoring-and-truncation-for-customer-survival-analysis)： 我想知道这种方法是否有意义？我特别想知道哪种审查/截断方式适用于这种情况？我认为它会被截断（因为人们可以在2008-1-1之后的任何时间加入），并且受到了正确的审查（其中有些人会在之后的某个时间离开）也是2018-1-1）。

• 编码问题：

如果我的假设是正确的（数据被左截断并右检查），下面的代码是否正确以生成生存对象？

S <- Surv(time = df$startTime, time2 = df$stopTime, event = df$Cancelled)

model <- survfit(S ~ predictor1 + predictor2+.., data = df)

问题2： 我尝试绘制按供应商分组的生存曲线，以了解每个供应商的表现。出乎意料的是，有些供应商的启动时间大约是持续时间的一半，正如我所期望的那样，它们都是从零开始的。当我检查数据时，那些供应商相对较新，仅在过去几年才出现。为了正确地比较它们，所有这些对象都应具有相同的起点，这使我怀疑自己的生存对象是错误的。赞赏有人是否也可以帮助我。

model <- survfit(S ~ Vendor, data = df)

ggsurvplot(fit = model, data = df, linetype = "strata")+xlab('duration in 
months')+ylab('retention rate')

很长的问题很抱歉。 谢谢

Answer 1

经过一些额外的研究并咨询了专家，我可以解决问题。

我的数据确实被截断了（因为客户可以在10年内的任何时间进行注册）并进行了审查（某些客户在2018-1-1仍然处于活动状态，此后任何时候都可以取消）。下面的更正帮助我解决了该问题。

1. 我需要计算“ stopTime”作为注册日期和取消日期（如果在2018-1-1之前取消）或2018-1-1（如果未取消或在2018-1-1之后取消）之间的差额）。
2. 已取消状态应为2018-1-1的状态。

3. 用于创建生存对象的代码应进行如下修改

     S <- Surv(time = df$stopTime, event = df$Cancelled, type = "right")
   

4. 作为最佳实践，建议在定义模型的同时创建生存对象，如下所示

     model <- survfit(Surv(stopTime, Cancelled) ~ Vendor, df) 
   

   这为我绘制了所有原点为“ 0”的曲线图。