Kaplan-Meier-Analyse

In dieser Übung übst du die Kaplan-Meier-Analyse – ohne und mit einer kategorialen Kovariate.

Das Paket survival ist in deinem Workspace geladen. Außerdem sind das Survival-Objekt survObj und deine Daten dataNextOrder weiterhin in der Umgebung. Jetzt enthalten die Daten jedoch eine zusätzliche Kovariate namens voucher, die du in dieser Übung brauchst. Diese kategoriale Variable gibt an, ob die Kundin bei ihrer ersten Bestellung einen Gutschein verwendet hat. Sie enthält den Wert 0 oder 1.

Diese Übung ist Teil des Kurses

Machine Learning für Marketing-Analytics in R

Kurs anzeigen

Anleitung zur Übung

Berechne eine Kaplan-Meier-Analyse (ohne Kovariaten) mit survfit(). Speichere das Ergebnis in einem Objekt namens fitKMSimple. Denk daran: Die abhängige Variable (Variable links von der Tilde ~) ist wieder dein Survival-Objekt survObj. Gib anschließend fitKMSimple aus.
Plotte das Ergebnisobjekt fitKMSimple und füge Achsenbeschriftungen hinzu (Argumente xlab und ylab).
Geh nun einen Schritt weiter: Berechne eine Kaplan-Meier-Analyse mit survObj als abhängiger Variable und der Variable voucher als Kovariate. Vergiss nicht, das Argument data anzugeben.
Plotte erneut das Ergebnis des neuen Modells und füge Achsenbeschriftungen hinzu.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Compute and print fit
fitKMSimple <- ___(___ ~ ___)
___(fitKMSimple)

# Plot fit
plot(___,
     conf.int = FALSE, ___ = "Time since first purchase", ___ = "Survival function", main = "Survival function")

# Compute fit with categorical covariate
fitKMCov <- survfit(___ ~ ___, data = ___)

# Plot fit with covariate and add labels
plot(___, lty = 2:3,
     ___ = "Time since first purchase", ___ = "Survival function", main = "Survival function")
legend(90, .9, c("No", "Yes"), lty = 2:3)

Code bearbeiten und ausführen