What problems does survival analysis solve, and what is censorship? You’ll answer these questions as you explore survival analysis data, build survival curves, and make basic estimations of survival time.

What is survival analysis?

What problems does survival analysis solve?

Choose the right data for survival analysis

Why use survival analysis?

Identify the censorship type

Preprocess censored data

First look at censored data

Your first survival curve!

Draw a survival curve

Long live democracy!

Introduction to Survival Analysis

In this chapter, you’ll learn how the Kaplan-Meier model works and how to fit, visualize, and interpret it. You’ll then apply this model to explore how categorical variables affect survival and learn how to supplement your analysis using hypothesis testing methods like the log-rank test.

Fitting a Kaplan-Meier estimator

How to fit a Kaplan-Meier estimator?

Heart disease patient survival

Visualizing your Kaplan-Meier model

Plotting the survival curve

Patient soreness treatment

Applying survival analysis to groups

Senators' terms in office

Comparing patient soreness treatments

The log-rank test

Appropriate data for log-rank test

Plotting and comparing survival curves

Log-rank test

Survival Curve Estimation

Discover how to model time-to-event data with parametric models. Learn how to use the Weibull model and the Weibull AFT model and what different purposes they serve. Use survival regression to make inferences about how covariates affect the survival function and learn how to select the best survival model for your data.

Het Weibull-model fitten

Modelleer gevangenisdata met Weibull

Vergelijk parameters van het Weibull-model

Weibull-model met covariaten

Analyseer kenmerken van hartpatiënten

Onderzoek de interactie tussen geslacht en LVDD

Visualisatie en voorspelling met het Weibull-model

Hoe beïnvloeden eerdere arrestaties het herarresteringspercentage?

Voorspel het herarresteringspercentage

Andere verdelingen en modelselectie

Hoe goed past het model?

Kies een parametrisch model

The Weibull Model

Another chapter, another model! In this final chapter, you'll learn about the proportional hazards assumption and the role it plays in fitting and interpreting the Cox Proportional Hazards model. You’ll also learn how to predict new subjects' survival times using the Cox Proportional Hazards model.

Fitting the Cox Proportional Hazards model

Model prison data with Cox PH

Custom Cox PH model

Interpreting the Cox PH model

Cox PH model survival time

Plot covariate effects on survival

The proportional hazards assumption

Test the PH assumption with KM curves

Test the PH assumption automatically

Predicting with the Cox PH model

Employee churn study

Predict before they leave!

Congratulations!

The Cox PH Model

Echocardiogram data

Employee attrition data

Regimes data

Prison recidivism data

Hoe lang duurt het voordat griepsymptomen verschijnen na blootstelling? En wat als je niet weet wanneer mensen het virus hebben opgelopen? Beïnvloeden salaris en werk-privébalans de snelheid van personeelsverloop? Voor veel vraagstukken heb je survivalanalyse nodig om de tijd tot een gebeurtenis robuust te schatten, zodat je inzicht krijgt uit tijd-tot-gebeurtenisverdelingen. Deze cursus introduceert de basisconcepten van survivalanalyse. Met praktische oefeningen leer je overlevingscurves berekenen, visualiseren, interpreteren en vergelijken met Kaplan-Meier-, Weibull- en Cox PH-modellen. Aan het einde van deze cursus kun je overlevingsverdelingen modelleren, mooie grafieken van overlevingscurves maken en zelfs overlevingsduur voorspellen.

Introduction to Regression with statsmodels in Python

Hypothesis Testing in Python

Gebruik survivalanalyse om met tijd-tot-gebeurtenisdata te werken en overlevingstijd te voorspellen.

Survivalanalyse in Python

Gebruik overlevingsanalyse om met tijd-tot-gebeurtenisgegevens te werken en de overlevingstijd te voorspellen.

Visualisatie en voorspelling met het Weibull-model

Create Your Free Account