在第一章，我們會介紹生存分析的概念，說明此主題的重要性，並快速帶你認識生存曲線背後的理論。我們會討論為什麼在處理事件發生時間資料時需要特殊方法，並介紹「設限」（censoring）的概念。我們也會說明如何描述直到事件發生所經歷時間的分布。

「Survival analysis」這個術語

介紹 GBSG2 資料集

本課程會涵蓋哪些內容？

為什麼要學習生存分析方法？

深入探索 GBSG2 資料集 1

對 GBSG2 使用 Surv() 函式

UnempDur 資料集

存活分析中常用的衡量指標

解讀生存曲線 I

解讀存活曲線 II

解讀生存曲線 III

什麼是生存分析？

本章將探討估計生存曲線的不同方法。我們會討論 Kaplan–Meier 估計與 Weibull 模型，作為生存曲線估計的工具，並學習如何透過視覺化來傳達這些結果。

Kaplan-Meier 估計

用來計算 Kaplan-Meier 估計值的函式

第一個 Kaplan-Meier 估計

Kaplan-Meier 曲線何時會下降？

為什麼使用 Kaplan-Meier

理解與視覺化 Kaplan-Meier 曲線

忽略設限的練習

估計並視覺化生存曲線

以 Weibull 模型估計存活曲線

從 Weibull 模型估計中位存活時間

由 Weibull 模型取得存活曲線的分位數

使用 survreg() 估計存活曲線

視覺化 Weibull 模型的結果

比較 Weibull 模型與 Kaplan-Meier 估計

生存曲線的估計

本章你將學會如何估計與視覺化 Weibull 模型，以瞭解共變數對事件發生時間結果的影響。

為什麼要使用 Weibull 模型

解讀迴歸係數

計算 Weibull 模型

視覺化 Weibull 模型

ggsurvplot() 與 ggsurvplot_df()

計算 Weibull 模型與生存曲線

繪圖選項

Weibull 以外的其他分配

survreg() 的引數

計算 Weibull 與對數常態模型

比較 Weibull 與 Log-Normal 模型（一）

比較 Weibull 與對數常態模型 II

Weibull 模型

最後一章，我們將學習如何計算與解讀 Cox 模型，以瞭解其用途，以及它與 Weibull 模型的差異。

Cox 模型

計算 Cox 模型

比例風險假設

視覺化 Cox 模型

從 Cox 模型計算存活曲線

surv_summary()

本章重點回顧

為什麼要用「虛擬病人」？

總結實作：Cox 模型

總結實作：比較存活曲線

再見

服用新藥的病人是否存活更久？失業後，人們多快能找到新工作？我要怎麼做才能讓朋友在我的派對上待在舞池裡更久？這些問題都需要分析「事件發生時間」資料，因此需要特殊的統計方法。本課程將介紹事件發生時間資料分析（也稱為生存分析）的基本概念。你會學到如何處理事件發生時間資料，以及如何計算、視覺化並解讀生存曲線，以及 Weibull 與 Cox 模型。

Introduction to Regression in R

學習處理事件時間數據，事件可能是死亡或找到工作。學習估計、可視化和解釋生存模型！

以 Weibull 模型估計存活曲線

Create Your Free Account