Análise de Kaplan-Meier

Neste exercício, você vai praticar a Análise de Kaplan-Meier — sem e com uma covariável categórica.

O pacote survival já está carregado no seu workspace. Além disso, o objeto de sobrevivência survObj e seus dados dataNextOrder continuam no ambiente. Agora, porém, os dados contêm uma covariável adicional chamada voucher, que você vai precisar neste exercício. Essa variável categórica informa se o cliente usou um voucher no primeiro pedido. Ela pode assumir os valores 0 ou 1.

Este exercício faz parte do curso

Machine Learning for Marketing Analytics in R

Ver curso

Instruções do exercício

Calcule uma Análise de Kaplan-Meier (sem covariáveis) usando survfit(). Guarde o resultado em um objeto chamado fitKMSimple. Lembre-se: a variável dependente (variável à esquerda do til ~) é novamente o seu objeto de sobrevivência survObj. Em seguida, imprima fitKMSimple.
Plote o objeto de resultado fitKMSimple e adicione rótulos dos eixos (argumentos xlab e ylab).
Agora vá um passo além: calcule uma Análise de Kaplan-Meier com survObj como variável dependente e a variável voucher como covariável. Não se esqueça de especificar o argumento data.
Novamente, plote o resultado do novo modelo e adicione rótulos dos eixos.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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)

Editar e executar o código