Analyse de Kaplan-Meier

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

Le package survival est chargé dans votre espace de travail. L'objet de survie survObj et vos données dataNextOrder sont toujours disponibles dans l'environnement. Mais cette fois, les données contiennent une covariable supplémentaire appelée voucher, dont vous aurez besoin ici. Cette variable catégorielle indique si le ou la cliente a utilisé un bon de réduction lors de sa première commande. Elle prend la valeur 0 ou 1.

Cet exercice fait partie du cours

<cours>Machine Learning for Marketing Analytics in R</cours>

Voir le cours

Instructions de l’exercice

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