生存時間分析: セミパラメトリック [データサイエンス、統計モデル]
生きるか死ぬか、といったバイナリ(1 or 0)のモデルかといえば、ロジスティック回帰もあります。
ロジスティック回帰分析と生存時間分析の違いは?
1,0にのみ興味がある場合 → ロジスティック回帰分析
1,0にのみ興味があるが、時間間隔にも興味がある → 生存時間分析
カプランマイヤー(kaplan-meier)とcoxの比例ハザードモデルの違いは何か?
説明変数が1つだけ:カプランマイヤー法
説明変数が複数ある:コックス比例ハザードモデル
# コックス比例ハザード回帰分析
head(Dataset)
# コックス比例ハザード回帰分析
model.cox <- coxph(Surv(time, status) ~ line_ex + multi_br + br_ex+ave_disc + sum_disp + sum_flier + ave_PI + max_price,
data = Dataset)
# 分析結果の確認
summary(model.cox)
説明変数は、下記のとおりです。
#ライン拡張フラグ(1ライン拡張0それ以外):line_ex
#マルチブランド(1マルチブランド0それ以外):multi_br
#ブランド拡張(1ブランド拡張0それ以外):br_ex
#発売後4週間山積み陳列実施日数:ave_disc
#発売後4週間チラシ掲載日数:sum_disp
#発売後4週間平均点数PI: sum_flier
#最大売価: ave_PI
#発売後4週間平均値引き率: max_price
ロジスティック回帰分析と生存時間分析の違いは?
1,0にのみ興味がある場合 → ロジスティック回帰分析
1,0にのみ興味があるが、時間間隔にも興味がある → 生存時間分析
カプランマイヤー(kaplan-meier)とcoxの比例ハザードモデルの違いは何か?
説明変数が1つだけ:カプランマイヤー法
説明変数が複数ある:コックス比例ハザードモデル
# コックス比例ハザード回帰分析
head(Dataset)
# コックス比例ハザード回帰分析
model.cox <- coxph(Surv(time, status) ~ line_ex + multi_br + br_ex+ave_disc + sum_disp + sum_flier + ave_PI + max_price,
data = Dataset)
# 分析結果の確認
summary(model.cox)
説明変数は、下記のとおりです。
#ライン拡張フラグ(1ライン拡張0それ以外):line_ex
#マルチブランド(1マルチブランド0それ以外):multi_br
#ブランド拡張(1ブランド拡張0それ以外):br_ex
#発売後4週間山積み陳列実施日数:ave_disc
#発売後4週間チラシ掲載日数:sum_disp
#発売後4週間平均点数PI: sum_flier
#最大売価: ave_PI
#発売後4週間平均値引き率: max_price