การวิเคราะห์ Kaplan-Meier

ในแบบฝึกหัดนี้ จะได้ฝึกการวิเคราะห์ Kaplan-Meier ทั้งแบบที่ไม่มีและมีตัวแปรร่วมเชิงกลุ่ม

แพ็กเกจ survival ถูกโหลดไว้ในพื้นที่ทำงานแล้ว รวมถึง survival object ชื่อ survObj และชุดข้อมูล dataNextOrder ที่ยังคงอยู่ในสภาพแวดล้อม แต่ขณะนี้ข้อมูลมีตัวแปรร่วมเพิ่มเติมชื่อ voucher ซึ่งจะใช้ในแบบฝึกหัดนี้ ตัวแปรเชิงกลุ่มนี้บอกว่าลูกค้าใช้คูปองในการสั่งซื้อครั้งแรกหรือไม่ โดยมีค่าเป็น 0 หรือ 1

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning for Marketing Analytics ใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

คำนวณการวิเคราะห์ Kaplan-Meier (แบบไม่มีตัวแปรร่วม) โดยใช้ survfit() แล้วเก็บผลลัพธ์ในอ็อบเจกต์ชื่อ fitKMSimple จำไว้ว่าตัวแปรตาม (ทางด้าน ซ้าย ของทิลเดอ ~) คือ survObj เช่นเดิม จากนั้นพิมพ์ fitKMSimple
พล็อตอ็อบเจกต์ผลลัพธ์ fitKMSimple พร้อมเพิ่มป้ายกำกับแกน (อาร์กิวเมนต์ xlab และ ylab)
ต่อไป ลองทำขั้นสูงขึ้น: คำนวณการวิเคราะห์ Kaplan-Meier โดยใช้ survObj เป็นตัวแปรตาม และตัวแปร voucher เป็นตัวแปรร่วม อย่าลืมระบุอาร์กิวเมนต์ data ด้วย
พล็อตผลลัพธ์ของโมเดลใหม่พร้อมเพิ่มป้ายกำกับแกน

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)

แก้ไขและรันโค้ด