Analisi di Kaplan-Meier
In questo esercizio metterai in pratica l'analisi di Kaplan-Meier, prima senza covariate e poi con una covariata categoriale.
Il pacchetto survival è già caricato nell'ambiente di lavoro. Anche l'oggetto di sopravvivenza survObj e i tuoi dati dataNextOrder sono ancora disponibili nell'ambiente. Ora però i dati includono una covariata aggiuntiva chiamata voucher, di cui avrai bisogno in questo esercizio. Questa variabile categoriale indica se la cliente ha usato un buono nel suo primo ordine. Assume valore 0 o 1.
Questo esercizio fa parte del corso
Machine Learning per il Marketing Analytics in R
Istruzioni dell'esercizio
- Calcola un'analisi di Kaplan-Meier (senza covariate) usando
survfit(). Salva il risultato in un oggetto chiamatofitKMSimple. Ricorda: la variabile dipendente (la variabile a sinistra della tilde~) è di nuovo l'oggetto di sopravvivenzasurvObj. Poi stampafitKMSimple. - Traccia il grafico dell'oggetto risultato
fitKMSimplee aggiungi le etichette degli assi (argomentixlabeylab). - Ora fai un passo in più: calcola un'analisi di Kaplan-Meier con
survObjcome variabile dipendente e la variabilevouchercome covariata. Non dimenticare di specificare l'argomentodata. - Di nuovo, traccia il grafico del nuovo modello e aggiungi le etichette degli assi.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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)