Analyse de Kaplan-Meier

Dans cet exercice, vous allez vous exercer à l'analyse de Kaplan-Meier — sans covariable, puis avec une covariable catégorielle.

Le paquet survival est déjà chargé dans votre espace de travail. L'objet de survie survObj et vos données dataNextOrder sont aussi toujours disponibles dans l'environnement. Cependant, les données contiennent maintenant une covariable additionnelle nommée voucher, dont vous aurez besoin ici. Cette variable catégorielle indique si la cliente a utilisé un bon lors de sa première commande. Elle prend la valeur 0 ou 1.

Cette activité fait partie du cours

Machine Learning for Marketing Analytics in R

Voir le cours

Instructions de l’exercice

Calculez une analyse de Kaplan-Meier (sans covariables) avec survfit(). Enregistrez le résultat dans un objet nommé fitKMSimple. Rappelez-vous que la variable dépendante (variable à gauche du tilde ~) est encore votre objet de survie survObj. Ensuite, affichez fitKMSimple.
Tracez l'objet de résultat fitKMSimple et ajoutez des étiquettes d'axes (arguments xlab et ylab).
Allez maintenant un peu plus loin : calculez une analyse de Kaplan-Meier avec survObj comme variable dépendante et la variable voucher comme covariable. N'oubliez pas de préciser l'argument data.
De nouveau, tracez le résultat du nouveau modèle et ajoutez des étiquettes d'axes.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)

Modifier et exécuter le code