Kaplan-Meier-analyse

In deze oefening ga je oefenen met Kaplan-Meier-analyse — zonder en mét een categorische covariaat.

Het pakket survival is geladen in je werkomgeving. Ook het survival-object survObj en je data dataNextOrder staan nog in de omgeving. Nu bevat de data echter een extra covariaat, voucher, die je in deze oefening nodig hebt. Deze categorische variabele geeft aan of de klant bij haar eerste bestelling een voucher heeft gebruikt. De waarde is 0 of 1.

Deze oefening maakt deel uit van de cursus

Machine Learning for Marketing Analytics in R

Cursus bekijken

Oefeninstructies

Voer een Kaplan-Meier-analyse uit (zonder covariaten) met survfit(). Sla het resultaat op in een object fitKMSimple. Denk eraan: de afhankelijke variabele (variabele links van de tilde ~) is weer je survival-object survObj. Print daarna fitKMSimple.
Plot het resultaatobject fitKMSimple en voeg aslabels toe (argumenten xlab en ylab).
Ga nu een stap verder: voer een Kaplan-Meier-analyse uit met survObj als afhankelijke variabele en voucher als covariaat. Vergeet niet het data-argument te specificeren.
Plot opnieuw het resultaat van het nieuwe model en voeg aslabels toe.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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 bewerken en uitvoeren