۵ کیو· متوسط رو به بالامتوسطPYTHON۴ ثانیه · ۲۵۶ مگابایت

برآوردگر کاپلان–مایر

time زمان مشاهده‌شده‌ی $y_i$ هر فرد است و status شاخص $\delta_i$ : یک اگر رویداد (مثلاً مرگ) دیده شده و صفر اگر سانسور شده. با $d_1 < d_2 < \dots < d_K$ زمان‌های متمایز رویداد (فقط از افراد سانسورنشده)، $q_k$ تعداد رویدادها در $d_k$ و $r_k$ تعداد افراد در معرض خطر درست پیش از $d_k$ — یعنی همه‌ی کسانی که $y_i \ge d_k$ :

\hat S(d_k) = \prod_{j=1}^{k}\frac{r_j - q_j}{r_j}

و خطای استاندارد گرین‌وود:

\widehat{\text{SE}}\big(\hat S(d_k)\big) = \hat S(d_k)\sqrt{\sum_{j=1}^{k}\frac{q_j}{r_j(r_j - q_j)}}

(اگر در آخرین زمان همه‌ی افراد در معرض خطر بمیرند، $r_j = q_j$ و این عبارت تعریف نمی‌شود؛ در ورودی‌ها چنین نیست.)

تابع kaplan_meier(time, status) پشت‌سرهم برمی‌گرداند: زمان‌های $d_1, \dots, d_K$ ، مقدارهای $\hat S(d_k)$ ، و خطاهای استاندارد.

نمونه‌ها

ورودی نمونه ۱

[[2.0, 4.0, 17.0, 5.0, 2.0, 10.0, 6.0, 5.0], [0, 1, 0, 1, 1, 0, 1, 0]]

خروجی نمونه ۱

[2.0, 4.0, 5.0, 6.0, 0.875, 0.7292, 0.5833, 0.3889, 0.1169, 0.165, 0.1856, 0.2013]

برای نوشتن پاسخ و دریافت امتیاز، ابتدا وارد حساب شوید.

ورود