Vilka problem löser överlevnadsanalys, och vad är censurering? Du utforskar dessa frågor medan du arbetar med överlevnadsanalysdata, bygger överlevnadskurvor och gör grundläggande skattningar av överlevnadstid.

Vad är överlevnadsanalys?

Vilka problem löser överlevnadsanalys?

Välj rätt data för överlevnadsanalys

Varför använda överlevnadsanalys?

Identifiera typen av censurering

Förbearbeta censurerad data

Första titt på censurerade data

Din första överlevnadskurva!

Rita en överlevnadskurva

Länge leve demokratin!

Introduktion till överlevnadsanalys

I det här kapitlet lär du dig hur Kaplan-Meier-modellen fungerar och hur du anpassar, visualiserar och tolkar den. Sedan tillämpar du modellen för att undersöka hur kategoriska variabler påverkar överlevnad, och du lär dig att komplettera analysen med hypotestestningsmetoder som log-rank-testet.

Anpassa en Kaplan-Meier-skattare

Hur anpassar man en Kaplan-Meier-estimator?

Överlevnad hos hjärtsjukdomspatienter

Visualisera din Kaplan-Meier-modell

Rita överlevnadskurvan

Behandling av muskelömhet hos patienter

Tillämpa överlevnadsanalys på grupper

Senatorers mandatperioder

Jämförelse av behandlingar mot ömhet hos patienter

Log-rank-testet

Lämplig data för log-rank-testet

Rita och jämför överlevnadskurvor

Log-rank-test

Skattning av överlevnadskurvor

Lär dig att modellera tids-till-händelse-data med parametriska modeller. Du lär dig att använda Weibull-modellen och Weibull AFT-modellen och förstår vilka olika syften de fyller. Använd överlevnadsregression för att dra slutsatser om hur kovariater påverkar överlevnadsfunktionen, och lär dig att välja den bäst lämpade överlevnadsmodellen för dina data.

Anpassa Weibull-modellen

Modellera fängelsedata med Weibull

Jämför Weibullmodellens parametrar

Weibull-modell med kovariater

Analysera hjärtpatienters egenskaper

Utforska interaktionen mellan kön och LVDD

Visualisering och prediktion med Weibull-modellen

Hur påverkar tidigare gripanden återgripningsfrekvensen?

Förutsäg återhämtningsfrekvens

Andra fördelningar och modellval

Hur bra är anpassningen?

Välj en parametrisk modell

Weibull-modellen

Ytterligare ett kapitel, ytterligare en modell! I det här avslutande kapitlet lär du dig om antagandet om proportionella faror och vilken roll det spelar när du anpassar och tolkar Cox-modellen för proportionella faror. Du lär dig också att förutsäga nya individers överlevnadstider med hjälp av Cox PH-modellen.

Anpassning av Cox proportional hazards-modellen

Modellera fängelsedata med Cox PH

Anpassad Cox PH-modell

Tolka Cox PH-modellen

Överlevnadstid med Cox PH-modellen

Visualisera kovariaternas effekt på överlevnad

Antagandet om proportionella hazarder

Testa PH-antagandet med KM-kurvor

Testa PH-antagandet automatiskt

Predicting med Cox PH-modellen

Studie av personalomsättning

Förutsäg innan de slutar!

Grattis!

Cox PH-modellen

Echocardiogram data

Prison recidivism data

Regimes data

Employee attrition data

Hur lång tid tar det innan influensasymtom uppträder efter smittotillfället? Och vad händer om du inte vet när någon smittades? Påverkar lön och balansen mellan arbete och fritid hur snabbt anställda slutar? Många verkliga utmaningar kräver överlevnadsanalys för att robust uppskatta tiden till en händelse och ge oss insikter från tids-till-händelse-fördelningar. Den här kursen introducerar dig till grundläggande begrepp inom överlevnadsanalys. Genom praktiska övningar lär du dig att beräkna, visualisera, tolka och jämföra överlevnadskurvor med hjälp av Kaplan-Meier-, Weibull- och Cox PH-modeller. När du är klar med kursen kan du modellera överlevnadsfördelningar, skapa snygga diagram över överlevnadskurvor och till och med förutsäga överlevnadstider.

Introduction to Regression with statsmodels in Python

Hypothesis Testing in Python

Använd överlevnadsanalys för att arbeta med tid-till-händelse-data och förutsäga överlevnadstid.

Andra fördelningar och modellval

Create Your Free Account