Análisis de Kaplan-Meier

En este ejercicio vas a practicar el análisis de Kaplan-Meier, primero sin covariables y luego con una covariable categórica.

El paquete survival ya está cargado en tu espacio de trabajo. Además, el objeto de supervivencia survObj y tus datos dataNextOrder siguen en el entorno. Ahora, los datos incluyen una covariable adicional llamada voucher, que vas a necesitar en este ejercicio. Esta variable categórica indica si la clienta usó un cupón en su primer pedido. Toma los valores 0 o 1.

Este ejercicio forma parte del curso

Machine Learning para analítica de marketing en R

Ver curso

Instrucciones del ejercicio

Calcula un análisis de Kaplan-Meier (sin covariables) usando survfit(). Guarda el resultado en un objeto llamado fitKMSimple. Recuerda: la variable dependiente (la variable a la izquierda de la tilde ~) es de nuevo tu objeto de supervivencia survObj. Después, imprime fitKMSimple.
Representa el objeto de resultados fitKMSimple y añade etiquetas a los ejes (argumentos xlab y ylab).
Ahora da un paso más: calcula un análisis de Kaplan-Meier con survObj como variable dependiente y la variable voucher como covariable. No olvides especificar el argumento data.
De nuevo, representa el resultado del nuevo modelo y añade etiquetas a los ejes.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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)

Editar y ejecutar código