国产 无码 综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

  1. Toy模板網(wǎng)首頁(yè)
  2. >Toy博客

7.評(píng)價(jià)預(yù)測(cè)模型——C指數(shù)，NRI，IDI計(jì)算

1年前作者：Dr_long1996分類：Toy博客閱讀(19)違法舉報(bào)

這篇具有很好參考價(jià)值的文章主要介紹了7.評(píng)價(jià)預(yù)測(cè)模型——C指數(shù)，NRI，IDI計(jì)算。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問(wèn)。

目錄

基本知識(shí)

1. C指數(shù)

2. NRI、IDI

二分類資料

1. C指數(shù)

C指數(shù)計(jì)算

比較兩個(gè)模型C指數(shù)

2. NRI

3. IDI

生存資料

1. rms包擬合的生存曲線

C指數(shù)

比較兩個(gè)模型的C指數(shù)

2. survival包擬合的生存曲線

C指數(shù)

NRI計(jì)算

IDI

基本知識(shí)

1. C指數(shù)

C指數(shù)：

C指數(shù)，又稱為一致性指數(shù)，可評(píng)價(jià)模型的預(yù)測(cè)能力，尤其是評(píng)估COX回歸模型的判別能力。C指數(shù)是指所有病人對(duì)子中，預(yù)測(cè)結(jié)果與實(shí)際結(jié)果一致的對(duì)子數(shù)占總子數(shù)的比例，表示預(yù)測(cè)結(jié)果與實(shí)際結(jié)果相一致的概率。

C指數(shù)的評(píng)價(jià)：

C指數(shù)的范圍為0.5-1，若C指數(shù)為0.5，為完全隨機(jī)，說(shuō)明該模型沒有預(yù)測(cè)作用；C指數(shù)為1，說(shuō)明完全一致。C指數(shù)在0.5-0.7之間的精度較低，C指數(shù)在0.71-0.90之間為中等準(zhǔn)確度，C指數(shù)在0.90以上為高準(zhǔn)確度。

C-index與AUC的關(guān)系：

對(duì)于二元logistic回歸模型，C指數(shù)可以簡(jiǎn)化為：預(yù)測(cè)患有某種疾病的患者出現(xiàn)疾病的概率大于預(yù)測(cè)該疾病本身的概率。結(jié)果表明，二元Logistic回歸的C指數(shù)等價(jià)于AUC。AUC主要反映二元Logistic回歸模型的預(yù)測(cè)能力，而C-index可以評(píng)價(jià)各種模型預(yù)測(cè)結(jié)果的準(zhǔn)確性。

Cox模型的C指數(shù)計(jì)算概述：

（1）方法一：直接運(yùn)用生存包中的coxph（）函數(shù)輸出結(jié)果。95%CI可以通過(guò)C加減1.96*Se得到。

（2）方法二：在rms包中cph（）函數(shù)和validate（）函數(shù)，非調(diào)整的偏置調(diào)整的C-index都能得到。

2. NRI、IDI

凈重新分類指數(shù) NRI，綜合判別改善指數(shù) IDI可用于不同預(yù)測(cè)模型的比較。

C指數(shù)進(jìn)行模型比較的缺點(diǎn)：

  • C指數(shù)不夠敏感，在舊模型中增加新變量，C指數(shù)提升程度有限；
  • 從臨床角度，C指數(shù)不易被理解。

凈重新分類改善指數(shù)（Net Reclassification Index，NRI）

原理：首先將研究對(duì)象按照金標(biāo)準(zhǔn)分為患病和未患病組，然后分別在這兩組中，新、舊模型對(duì)研究對(duì)象進(jìn)行分類，整理成兩個(gè)四格表。最后根據(jù)患病組和未患病組中在新、舊模型下的差別來(lái)計(jì)算凈重新分類指數(shù)NRI。

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

在table3中，c1是原來(lái)模型沒有預(yù)測(cè)對(duì)，新模型預(yù)測(cè)對(duì)的，同樣的道理，b1是原來(lái)模型預(yù)測(cè)對(duì)，但新模型給預(yù)測(cè)錯(cuò)的，于是(c1 ? b1)/N1便是疾病組或者event組增加的重分類的正確比。

同樣我們可以得到非疾病組中（table 4）中增加的重分類正確比為(b2 ? c2)/N2。

NRI = (c1 ? b1)/N1 + (b2 ? c2)/N2

結(jié)果解讀：NRI表示的是重分類的正確個(gè)案占比的增加量，所以若NRI>0，則為正改善，說(shuō)明新模型比舊模型的預(yù)測(cè)能力有所改善；若NRI<0，則為負(fù)改善，新模型預(yù)測(cè)能力下降；若NRI=0，則認(rèn)為新模型沒有改善。

計(jì)算方法：預(yù)測(cè)模型NRI計(jì)算首選nricens包。

綜合判別改善指數(shù)IDI（Integrated discrimination improvement, IDI）

原理：在疾病組，模型預(yù)測(cè)陽(yáng)性的概率要盡可能大，在非疾病組模型預(yù)測(cè)陽(yáng)性的概率要盡可能小，通過(guò)模型的預(yù)測(cè)概率差值依然可以得到一個(gè)評(píng)價(jià)指數(shù)。如果新模型比原模型：在陽(yáng)性組，預(yù)測(cè)陽(yáng)性的概率比舊模型的大；在陰性組，預(yù)測(cè)陽(yáng)性的概率比舊模型的小。那么就可以說(shuō)明新模型比舊模型好。

IDI = (Pnew,events–Pold,events) – (Pnew,non-events – Pold,non-events)

Pnew,events表示在疾病組新模型的預(yù)測(cè)陽(yáng)性概率，Pold,non-events表示在非疾病組舊模型的預(yù)測(cè)陽(yáng)性概率。

IDI就等于疾病組新舊模型的預(yù)測(cè)陽(yáng)性概率的差值減去非疾病組新舊模型預(yù)測(cè)陽(yáng)性概率的差值（因?yàn)閷?duì)于非疾病組模型預(yù)測(cè)陽(yáng)性的概率應(yīng)該是越小越好，所以中間是減號(hào)）

結(jié)果解讀：IDI越大越說(shuō)明新模型比舊模型預(yù)測(cè)效果更好。若IDI＞0，則為正改善，說(shuō)明新模型比舊模型的預(yù)測(cè)能力有所改善，若IDI＜0，則為負(fù)改善，新模型預(yù)測(cè)能力下降，若IDI=0，則認(rèn)為新模型沒有改善。

二分類資料

案例：預(yù)測(cè)肺動(dòng)脈栓塞風(fēng)險(xiǎn)

library(readxl)
data <- read_excel("data.xlsx")
data<-na.omit(data)
data<-as.data.frame(data)

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

?創(chuàng)建Logistic預(yù)測(cè)模型

#建立模型公式
form.bestglm<-as.formula(group~age+BMI+ToS+CA153+CDU+transfusion+stage)
form.all<-as.formula(group~.)
#打包
library(rms)
dd=datadist(data)
options(datadist="dd")
#Logistic模型擬合
fit.glm<- lrm(formula=form.bestglm,data=data,x=TRUE,y=TRUE)  
#計(jì)算預(yù)測(cè)值
data$predvalue<-predict(fit.glm)

1. C指數(shù)

C指數(shù)計(jì)算

因?yàn)镃指數(shù)在logistic回歸二分類中等價(jià)于ROC，所以：

方法一：ROC計(jì)算

library(pROC)
modelROC <- roc(data$group,data$predvalue)
auc(modelROC)
ci(auc(modelROC))

提取出fit.glm中的預(yù)測(cè)值，然后利用roc（）函數(shù)進(jìn)行ROC擬合。auc（）提取模型的ROC值，ci（）提取ROC的95%CI。

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

輸出的結(jié)果可以顯示AUC為0.8063，95%CI為0.7582-0.8544。所以模型的C指數(shù)為0.8063。

方法二：Hmisc包中somers2（）函數(shù)

library(Hmisc)
somers2(data$predvalue, data$group)

注意：區(qū)別于roc（）函數(shù)的順序，roc（）函數(shù)中輸入的是實(shí)際值，預(yù)測(cè)值；在somers2中輸入的是預(yù)測(cè)值，后是實(shí)際值。

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

以上兩者方法計(jì)算的C指數(shù)都是非校正的C指數(shù)

方法三：校正C指數(shù)的計(jì)算（validate（）函數(shù)）

對(duì)模型進(jìn)行bootstrap，次數(shù)為1000，dxy設(shè)置為TRUE

v<-validate(fit.glm, method="boot", B=1000, dxy=TRUE)

?分別提取bootstrap后的模型中的原始Dxy和校正的Dxy，然后根據(jù)C-index=Dxy/2+0.5，計(jì)算C指數(shù)：

orig_Dxy = v[rownames(v)=="Dxy", colnames(v)=="index.orig"]
corrected_Dxy = v[rownames(v)=="Dxy", colnames(v)=="index.corrected"]
orig_C_index <- abs(orig_Dxy)/2+0.5
bias_corrected_C_index  <- abs(corrected_Dxy)/2+0.5

顯示C指數(shù)結(jié)果

cbind("C指數(shù)"=orig_C_index,"校正C指數(shù)"=bias_corrected_C_index)

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

方法四：rcorrcens（）函數(shù)計(jì)算95%CI

c<-rcorrcens(formula=group~predvalue,data=data)
c

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

需要在formula中指定實(shí)際值與預(yù)測(cè)值，指定數(shù)據(jù)集data。

C指數(shù)為0.806，根據(jù)SD計(jì)算95%CI

c[1,1]-1.96*c[1,4]/2
c[1,1]+1.96*c[1,4]/2

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

與ROC法計(jì)算的可信區(qū)間有一定細(xì)微差別。

比較兩個(gè)模型C指數(shù)

一般使用ROC法，等價(jià)于比較兩個(gè)ROC曲線是否存在差異：

rm(list = ls())
library(readxl)
data <- read_excel("data.xlsx")
data<-na.omit(data)
data<-as.data.frame(data)
#建立模型公式
form.bestglm<-as.formula(group~age+BMI+ToS+CA153+CDU+transfusion+stage)
form.all<-as.formula(group~.)
#打包
library(rms)
dd=datadist(data)
options(datadist="dd")
#Logistic模型擬合
fit.glm<- lrm(formula=form.bestglm,data=data,x=TRUE,y=TRUE)  
fit2.glm<- lrm(formula=form.all,data=data,x=TRUE,y=TRUE)
#計(jì)算模型預(yù)測(cè)值
data$predvalue <- predict(fit.glm)
data$predvalue2<-predict(fit2.glm)
#ROC擬合
modelROC <- roc(data$group,data$predvalue)
modelROC2 <- roc(data$group,data$predvalue2)     
roc.test(modelROC,modelROC2 )

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

檢驗(yàn)統(tǒng)計(jì)量Z為-1.6774，p值為0.09346，不存在統(tǒng)計(jì)學(xué)差異。

2. NRI

構(gòu)建兩個(gè)模型：

form.new<-as.formula(group~age+BMI+ToS+CA153+CDU+transfusion+stage)
form.old<-as.formula(group~ age+BMI+ToS+CDU+transfusion+stage)
mstd = glm(formula=form.old, family = binomial(), data=data, x=TRUE)
mnew = glm(formula=form.new, family = binomial(), data=data, x=TRUE)

計(jì)算分類NRI（nricens包中nribin（）函數(shù)）：

#install.packages("nricens")
library(nricens)
set.seed(123)
cg<-nribin(mdl.std =mstd,
           mdl.new = mnew,
           cut = c(0.2,0.4),
           niter = 1000,
           updown = 'category')

在計(jì)算之前需要指定種子數(shù)，種子數(shù)不同，結(jié)果會(huì)稍有差異。

nribin（）函數(shù)中mdl.std指定舊模型，mdl.new指定新模型，cut設(shè)置截?cái)帱c(diǎn)，截?cái)帱c(diǎn)的設(shè)置至關(guān)重要，通過(guò)不同的截?cái)嘀涤?jì)算出的NRI結(jié)果可能有很大差異，結(jié)合臨床進(jìn)行截?cái)嘀档脑O(shè)置。本案例中，將截?cái)嘀翟O(shè)置為0.2，0.4，截?cái)嘀?lt;0.2為低風(fēng)險(xiǎn)，截?cái)嘀?gt;0.4為高風(fēng)險(xiǎn)。niter設(shè)置bootstrap次數(shù)，updown設(shè)置“category”表示計(jì)算分類NRI。

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

從結(jié)果可以看到總?cè)藬?shù)515，病例數(shù)87，對(duì)照組428人。

Reclassification Table for all subjects中的針對(duì)所有人的研究結(jié)果。根據(jù)設(shè)置的截?cái)嘀?，將病人分為了低，中，高風(fēng)險(xiǎn)。第一行new表示新模型的分類情況，standard表示舊模型的分類情況。理解即為343人在新舊模型中被認(rèn)為是低風(fēng)險(xiǎn)，21在新模型中為中風(fēng)險(xiǎn)，舊模型中為低風(fēng)險(xiǎn)，1人在新模型中高風(fēng)險(xiǎn)，舊模型中低風(fēng)險(xiǎn)，以此類推。
Point estimates中表示分類NRI的點(diǎn)估計(jì)值。其中NRI表示所有研究對(duì)象的分類NRI的點(diǎn)估計(jì)值，NRI+表示病例組的分類NRI的點(diǎn)估計(jì)值，NRI-表示對(duì)照組中的分類NRI點(diǎn)估計(jì)值。
Point & Interval estimates表示NRI的置信區(qū)間。

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

紅色表示病例組，黑色表示對(duì)照組，虛線表示截?cái)嘀担?/p>

計(jì)算NRI之間的P值：

z=abs(cg$nri$Estimate/cg$nri$Std.Error)
cg$nri$pvalue<-(1-pnorm(z))*2
cg$nri

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

?P值均大于0.05，說(shuō)明不存在統(tǒng)計(jì)學(xué)差異，即新舊模型相較，從分類NRI角度沒有差異。

連續(xù)性NRI計(jì)算

set.seed(123)
cf<-nribin(mdl.std =mstd , 
           mdl.new = mnew, 
           cut =0, 
           niter = 1000, 
           updown = 'diff')

cut設(shè)置為0，updown設(shè)置為“diff”表示計(jì)算連續(xù)型NRI

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

計(jì)算NRI的p值

z=abs(cf$nri$Estimate/cf$nri$Std.Error)
cf$nri$pvalue<-(1-pnorm(z))*2
cf$nri

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

?通過(guò)P值可以看到在連續(xù)型NRI，NRI-的P值小于0.05，存在統(tǒng)計(jì)學(xué)差異，即新模型相較舊模型好，對(duì)于人群提升0.395048，對(duì)于對(duì)照組提升0.4065；NRI+并無(wú)統(tǒng)計(jì)學(xué)意義。

3. IDI

提取出模型中的預(yù)測(cè)值fitted.values

pstd = mstd$fitted.values
pnew = mnew$fitted.values

利用PredictABEL包中的函數(shù)reclassification計(jì)算

#install.packages("PredictABEL")
library(PredictABEL)
reclassification(data=as.matrix(data),
                 cOutcome = 1,
                 predrisk1 = pstd,
                 predrisk2 = pnew,
                 cutoff = c(0,0.2,0.4,1))

需要將data處理為矩陣，cOutcome設(shè)置因變量位于矩陣的第幾列；選項(xiàng)predrisk1指定舊模型，predrisk2指定新模型，cutoff值設(shè)置截?cái)帱c(diǎn)。

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

%reclassified表示重分類百分比。

輸出的最后三行分別給出了分類NRI，連續(xù)NRI，IDI的結(jié)果，以及對(duì)應(yīng)的p值。從IDI角度，IDI為0.0203，95%CI為0.0041-0.0365，p值<0.05，存在統(tǒng)計(jì)學(xué)差異，新模型較舊模型提高了0.0203，為正改善。

PredictABL包還可以繪制calibration曲線：

plotCalibration(data=as.matrix(data), 
                cOutcome=1, 
                predRisk=pstd, 
                groups=10, 
                rangeaxis=c(0,1))
plotCalibration(data=data, 
                cOutcome=1, 
                predRisk=pnew, 
                groups=10, 
                rangeaxis=c(0,1))

預(yù)測(cè)模型c指數(shù),r語(yǔ)言預(yù)測(cè)模型c指數(shù),r語(yǔ)言

ROC曲線：

plotROC(data=data, 
        cOutcome=1, 
        predrisk=cbind(pstd,pnew),
        labels=c("Model Old","Model New"))

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

預(yù)測(cè)風(fēng)險(xiǎn)分布圖：

plotRiskDistribution(data=data, 
                     cOutcome=1,
                     risks=pnew, 
                     interval=0.05, 
                     plottitle=maintitle, 
                     rangexaxis=c(0,1),
                     rangeyaxis=c(0,30), 
                     xlabel="Predicted risk", 
                     ylabel="Percentage", 
                     labels=c("Without outcome", "With outcome"))

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

生存資料

案例：原發(fā)性膽汁性肝硬化研究

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

1. rms包擬合的生存曲線

C指數(shù)

載入數(shù)據(jù)

load("pbc.Rdata")
pbc<-na.omit(pbc)
library(rms)
dd=datadist(pbc)
options(datadisk="dd")
fit.cox <- cph(formula=Surv(days,status) ~ascites+edema+bili+albumin+copper+prothrombin+chol,
               data=pbc,
               x=TRUE,y=TRUE,surv=TRUE)

計(jì)算C-index（pec包中的cindex（）函數(shù)）

set.seed(123)
library(pec)
c_index<-cindex(object=list(fit.cox),
                formula=Surv(days,status) ~1,
                eval.times=c(365,365*3,365*5,365*10), 
                cens.model = "marginal",
                splitMethod = "bootcv",
                B=1000)
c_index

object指定模型，formula指定為Surv（生存時(shí)間，生存結(jié)局）~1，cens.model必須為“marginal”（如果formula中的公式帶有自變量，則cens.model需要為cox，結(jié)果也略有不同。）

eval.times設(shè)置需要計(jì)算的時(shí)間點(diǎn)的C指數(shù)；

cens.medol指定截尾數(shù)據(jù)的逆概率加權(quán)方法；

splitMethod表示才用的重抽樣的方法行交叉驗(yàn)證；B為抽樣次數(shù)。

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

Appcindex是指未經(jīng)校正的C指數(shù)；BootCVCindex表示交叉驗(yàn)證的C指數(shù)。

繪制Time—C-index曲線

plot(c_index,
     xlim = c(0,4000),
     legend=FALSE)

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

比較兩個(gè)模型的C指數(shù)

load("pbc.Rdata")
pbc<-na.omit(pbc)
library(rms)
dd=datadist(pbc)
options(datadisk="dd")
fit.cox <- cph(formula=Surv(days,status) ~ascites+edema+bili+albumin+copper+prothrombin+chol,
               data=pbc,
               x=TRUE,y=TRUE,surv=TRUE)
fit2.cox <- cph(formula=Surv(days,status) ~treatment+age+sex+ascites+hepatom+
                        spiders+edema+bili+chol+albumin+copper+alk+sgot+trig+
                        platelet+prothrombin+stage,
               data=pbc,
               x=TRUE,y=TRUE,surv=TRUE)
predvalue <- predict(fit.cox)
predvalue2 <- predict(fit2.cox)

模型比較：

#install.packages("compareC")
library(compareC)
compareC(timeX=pbc$days, statusX=pbc$status, scoreY=-predvalue, scoreZ=-predvalue2)

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

?模型1的C指數(shù)為0.8272，模型2的C指數(shù)為0.8485859，差值為-0.021，統(tǒng)計(jì)檢驗(yàn)Z統(tǒng)計(jì)量為-2.414，p值為0.0158，說(shuō)明兩個(gè)模型之間存在統(tǒng)計(jì)學(xué)差異。

2. survival包擬合的生存曲線

C指數(shù)

survival包中coxph會(huì)自動(dòng)計(jì)算出C指數(shù)：

library(survival)
fit2.cox<-coxph(formula=Surv(days,status) ~ascites+edema+bili+albumin+copper+prothrombin+chol,
                data=pbc)
summary(fit2.cox)
c_index<-summary(fit2.cox)$concordance
c_index

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

可信區(qū)間：

c_index["C"]-1.96*c_index["se(C)"]
c_index["C"]+1.96*c_index["se(C)"]

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

其他方法：

方法一：

BiocManager::install("survcomp")
library(survcomp)
cindex <- concordance.index(x=predvalue,
                            surv.time=pbc$days,
                            surv.event =pbc$status,
                            method = "noether")
cindex$c.index 
cindex$lower
cindex$upper

方法二：

c_index <- survConcordance(formula=Surv(days,status)~predict(fit.cox,data=pbc),
                           data = pbc)$concordance

方法三：

v <- validate(fit.cox, dxy=TRUE, B=1000)
orig_Dxy = v[rownames(v)=="Dxy", colnames(v)=="index.orig"]
corrected_Dxy = v[rownames(v)=="Dxy", colnames(v)=="index.corrected"]
orig_c_index <- abs(orig_Dxy)/2+0.5
bias_corrected_c_index  <- abs(corrected_Dxy)/2+0.5
orig_c_index;bias_corrected_c_index

NRI計(jì)算

創(chuàng)建新舊兩個(gè)生存模型：

library(survival)
m.old = coxph(formula=Surv(days,status)~bili+albumin, 
              data=pbc, 
              x=TRUE)
m.new = coxph(formula=Surv(days,status)~bili+albumin+copper, 
              data=pbc, 
              x=TRUE)

計(jì)算分類NRI：

library(nricens)
set.seed(123)
nricens(mdl.std = m.old, 
        mdl.new = m.new, 
        t0 = 365*10,
        cut = c(0.2, 0.4),
        updown = "category",
        niter = 1000)

t0指定需要計(jì)算的時(shí)間，cut設(shè)置截?cái)嘀?，updown設(shè)置為分類，niter設(shè)置bootstrap的次數(shù)。

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

針對(duì)于全部研究對(duì)象，分類變量NRI=0.136，新模型較舊模型重新分類正確比例提高了13.6%；

針對(duì)于病例組，分類NRI=0.022，新模型較舊模型重新分類正確比例提高了2.2%；

針對(duì)于對(duì)照組，分類NRI=0.115，新模型較舊模型重新分類正確比例提高了1.1%。

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

計(jì)算連續(xù)型NRI：

set.seed(123)
nricens(mdl.std = m.old,
        mdl.new = m.new, 
        t0 = 365*10, 
        cut = 0,updown = "diff", 
        niter = 1000)

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

輸出的結(jié)果中 of subjects with "p.new-p.std>cut" for all, case, control:93 54 6 表示在時(shí)點(diǎn)3650天，新模型的概率減去舊模型的概率大于截?cái)帱c(diǎn)（0）的人數(shù)。

IDI

surv<-pbc[,c("days","status")]
x.old = pbc[,c("bili", "albumin")]
x.new = pbc[,c("bili", "albumin","copper")]

因變量賦值給surv，自變量賦值給x.old和x.new。

#install.packages("survIDINRI")
library(survIDINRI)
set.seed(123)
IDI<-IDI.INF(indata=surv,
           covs0=x.old,
           covs1=x.new,
           t0=3650,
           npert=1000) 
IDI.INF.OUT(IDI)

indata指定因變量，即是生存時(shí)間和生存結(jié)局；covs0指定舊模型的自變量，covs1指定新模型的自變量，t0指定計(jì)算時(shí)間點(diǎn)，npert指定bootstrap次數(shù)。

IDI.INF.OUT()函數(shù)讀取出結(jié)果

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

M1表示IDI，IDI為0.039，其可信區(qū)間為（-0.001，0.097），p值為0.062>0.05，無(wú)統(tǒng)計(jì)學(xué)意義。M2表示連續(xù)NRI；M3表示中位數(shù)差異。

圖形展示：

IDI.INF.GRAPH(IDI)

預(yù)測(cè)模型c指數(shù),r語(yǔ)言

紅色區(qū)域?yàn)镮DI的情況，面積越大，新模型越優(yōu)于原來(lái)的舊模型。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-859564.html

到了這里，關(guān)于7.評(píng)價(jià)預(yù)測(cè)模型——C指數(shù)，NRI，IDI計(jì)算的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來(lái)自互聯(lián)網(wǎng)用戶投稿，該文觀點(diǎn)僅代表作者本人，不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請(qǐng)注明出處： 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

相關(guān)文章

覺得文章有用就打賞一下文章作者

支付寶掃一掃打賞

博客贊助

微信掃一掃打賞

請(qǐng)作者喝杯咖啡吧~博客贊助

支付寶掃一掃領(lǐng)取紅包，優(yōu)惠每天領(lǐng)

二維碼1

領(lǐng)取紅包

二維碼2

領(lǐng)紅包