廣義線性模型
廣義線性模型使用glm（）函數(shù)進(jìn)行擬合。glm函數(shù)的形式是 glm（formula ，family = familytype （link = linkfunction ），data =） | 家庭 | 默認(rèn)鏈接功能 | | 二項(xiàng)式 | （link =“l(fā)ogit”） | | 高斯 | （link =“身份”） | | 伽瑪 | （link =“inverse”） | | inverse.gaussian分布 | （鏈接=“1 / mu ^ 2”） | | 泊松 | （link =“l(fā)og”） | | 準(zhǔn) | （link =“identity”，variance =“constant”） | | quasibinomial | （link =“l(fā)ogit”） | | quasipoisson | （link =“l(fā)og”） |
查看幫助（glm）了解其他建模選項(xiàng)。查看每個(gè)家庭的其他允許鏈接功能的幫助（家庭）。這里將介紹三種廣義線性模型的亞型：邏輯回歸，泊松回歸和生存分析。 Logistic回歸當(dāng)您從一組連續(xù)預(yù)測(cè)變量中預(yù)測(cè)二元結(jié)果時(shí)，Logistic回歸很有用。由于其限制性較小的假設(shè)，它通常優(yōu)于判別函數(shù)分析。 # Logistic Regression
# where F is a binary factor and
# x1-x3 are continuous predictors
fit <- glm(F~x1+x2+x3,data=mydata,family=binomial())
summary(fit) # display results
confint(fit) # 95% CI for the coefficients
exp(coef(fit)) # exponentiated coefficients
exp(confint(fit)) # 95% CI for exponentiated coefficients
predict(fit, type="response") # predicted values
residuals(fit, type="deviance") # residuals
您可以使用anova （fit1 ，fit2 ，test =“Chisq”）來(lái)比較嵌套模型。此外，cdplot（?F ?X ，數(shù)據(jù)= MYDATA ）將顯示二元結(jié)果的條件密度情節(jié)?F在連續(xù)X變量。  點(diǎn)擊查看
泊松回歸當(dāng)預(yù)測(cè)表示來(lái)自一組連續(xù)預(yù)測(cè)變量的計(jì)數(shù)的結(jié)果變量時(shí)，泊松回歸很有用。 # Poisson Regression
# where count is a count and
# x1-x3 are continuous predictors
fit <- glm(count ~ x1+x2+x3, data=mydata, family=poisson())
summary(fit) display results
如果你有過(guò)度分散（看剩余偏差是否比自由度大得多），你可能想用quasipoisson（）而不是poisson（）。
生存分析生存分析（也稱為事件歷史分析或可靠性分析）涵蓋了用于對(duì)事件時(shí)間建模的一組技術(shù)。數(shù)據(jù)可能被正確審查 – 該事件可能在研究結(jié)束時(shí)未發(fā)生，或者我們可能對(duì)觀察信息的信息不完整，但知道在某段時(shí)間內(nèi)沒(méi)有發(fā)生事件（例如，參與者在一周內(nèi)輟學(xué)10但當(dāng)時(shí)還活著）。 雖然廣義線性模型通常使用glm（）函數(shù)進(jìn)行分析，但生存分析通常是使用生存包中的函數(shù)進(jìn)行的。生存包可以處理一個(gè)和兩個(gè)樣本問(wèn)題，參數(shù)加速故障模型和Cox比例風(fēng)險(xiǎn)模型。 通常以格式開始時(shí)間，停止時(shí)間和狀態(tài)輸入數(shù)據(jù)（1 =發(fā)生事件，0 =事件未發(fā)生）。或者，數(shù)據(jù)格式可以是事件和狀態(tài)的時(shí)間（1 =發(fā)生事件，0 =事件未發(fā)生）。狀態(tài)= 0表示觀察結(jié)果正確。在進(jìn)一步分析之前，數(shù)據(jù)通過(guò)Surv（）函數(shù)綁定到Surv對(duì)象中。 survfit（）用于估計(jì)一個(gè)或多個(gè)組的生存分布。
survdiff（）測(cè)試兩個(gè)或更多組之間生存分布的差異。
coxph（）模擬一組預(yù)測(cè)變量的危險(xiǎn)函數(shù)。 # Mayo Clinic Lung Cancer Data
library(survival)
# learn about the dataset
help(lung)
# create a Surv object
survobj <- with(lung, Surv(time,status))
# Plot survival distribution of the total sample
# Kaplan-Meier estimator
fit0 <- survfit(survobj~1, data=lung)
summary(fit0)
plot(fit0, xlab="Survival Time in Days",
ylab="% Surviving", yscale=100,
main="Survival Distribution (Overall)")
# Compare the survival distributions of men and women
fit1 <- survfit(survobj~sex,data=lung)
# plot the survival distributions by sex
plot(fit1, xlab="Survival Time in Days",
ylab="% Surviving", yscale=100, col=c("red","blue"),
main="Survival Distributions by Gender")
legend("topright", title="Gender", c("Male", "Female"),
fill=c("red", "blue"))
# test for difference between male and female
# survival curves (logrank test)
survdiff(survobj~sex, data=lung)
# predict male survival from age and medical scores
MaleMod <- coxph(survobj~age+ph.ecog+ph.karno+pat.karno,
data=lung, subset=sex==1)
# display results
MaleMod
# evaluate the proportional hazards assumption
cox.zph(MaleMod)
  點(diǎn)擊查看
有關(guān)更多信息，請(qǐng)參閱Thomas Lumley 關(guān)于生存包的 R新聞文章。其他很好的資源包括麥周的使用R軟件進(jìn)行生存分析和模擬以及MJ克勞利關(guān)于生存分析的章節(jié)。
|
