徐娟-医学数据挖掘-第二章-1-预测型知识.ppt

6.计算所指定的组别(本例为中药组,序号为i2)的logrank变换值之和T 上式的连加系在指定的i2范围内相加。其均数与方差分别为 E(T)=m1/n ∑W V(T)=m1m2/[n(n-1)]∑(W-E(T)/m1)2 式中连加系在全部观察值上完成,m1系指所指定的组别的例数,(本例为中药组m1=16),n为总例数。 Z=[T-E(T)]/√V(T) Z服从标准正态分布,故可由Z0.05=1.96,Z0.01=2.58作出统计推断。 本例资料有T=3.822,E(T)=0.4402×10-6, V(T)=3.1755,Z=2.145,故P0.05, 拒绝H0,认为两种疗法生存分布不相同。 R实现 对所有变量画KM plot，并计算logrank p values t11 - survfit(Surv(time,censored)~type,data); plot(t11,col=c(“yellow,orange,red),xlab=Time,ylab=Estimated survival functions); legend(1300,0.8,c(type II,type III,type IV),col=c(“yellow,orange,red),lty=c(1,1,1)); survdiff(Surv(time,censored)~type,data); 性别做生存分析 挖掘预测型知识 线性回归 (Linear Regression) 一元线性回归 多元线性回归 Cox回归 (Cox Regression) logistic回归 (logistic Regression) logistic回归模型 应变量Y是一个二值变量，取值为 如果发生为0，未发生为1，则模型中回归系数绝对值不变，但符号相反。 自变量X1，X2，……，Xm。 自变量全部或大部分为定量指标，若有少量定性或等级指标需作转换。 P表示在m个自变量作用下阳性结果发生的条件概率。 1-P=P(y=0|x) 为不发病概率 数据结构 概率型非线性回归模型 S-形曲线，符合流行病学对危险因素与疾病风险关系的认识 logit变换 事件发生概率与未发生概率之比的自然对数，称为P的logit变换，记作logit(P)。 概率P的取值范围在0～1之间，而logit(P)取值是没有界限的。 ?0（常数项）：所有影响因素均为 0 时（记作X=0），个体发生事件概率与不发生事件的概率之比的自然对数值。 ?j 的含义：某因素因素 Xj 改变一个单位时，个体发生事件概率与不发生事件的概率之比的自然对数变化值。 优势（odds）是指某影响因素控制在某种水平时，事件发生率与事件不发生率的比值，即P/(1-P)。 某影响因素的两个不同水平的优势的比值称为优势比 如某影响因素的一个水平为c1，另一个水平为c0，则这两个水平的优势比为： 优势比（odds ratio，OR） 结果 吸烟 不吸烟 合计 食管癌患者 309(a) 126(b) 435 非食管癌患者 208(c) 243(d) 451 合计 517(a+c) 369(b+d) 886 吸烟与食管癌关系的病例对照调查结果 优势比（odds ratio，OR） OR表示影响因素对事件发生的影响方向和影响能力大小。一般地， OR1表示该因素取值越大，事件发生的概率越大，又称危险因素。 OR1表示该因素取值越大，事件发生的概率越小，又称保护因素。 OR=1表示该因素与事件的发生无关。 logistic回归的应用 流行病学危险因素分析 病例对照研究中探索疾病的发病原因； 临床试验数据分析 当评价指标为分类数据，而且有其他影响评价指标的影响因素（年龄、病情、病种等）存在时。 预测和判别 根据个体的特征，判断个体发生某事件的概率； 判断个体属于的类型。 R实现 glm(formula,family=binomial(link=logit),data=) formula 如G~X1+X2+X3 data代表数据 family是指这些数据服从什么分布 有binomaial（两项分布）、gaussian（正态分布）、gamma（伽马分布）、poisson(泊松分布) 例题 胃癌手术后预后因素分析资料共98例, 各项指标如下: NO: 例号；X1: 胃癌位置 ( 1 胃底, 2 胃体, 3 胃窦 ) X2: 胃癌大小 ( 分 0, 1, 2, 3, 4, 5 级 ) X3: 大体类型 ( 1 溃疡, 2 肿块, 3 浸润 ) X4: 组