嗨,我正在使用 lifelines 包进行 Cox 回归。我想检查非二元分类变量的影响。有内置的方法吗?或者我应该将每个类别因素转换为一个数字?或者,在生命线中使用 kmf 拟合器,是否可以对每个因素执行此操作,然后获得 p 值?我可以制作单独的图,但我找不到如何评估 p 值。
谢谢!
更新:好的,如果在使用 pd.get_dummies 后我有一个格式为 df 的数据框:
event time categorical_1 categorical_2 categorical_3
0 0 11.54 0 0 1
1 0 6.95 0 0 1
2 1 0.24 0 1 0
3 0 3.00 0 0 1
4 1 10.26 1 0 1
... ... ... ... ... ...
1215 1 6.80 1 0 0
我现在需要删除其中一个虚拟变量。然后做:
cph.fit(df, duration_col=time, event_col=event)
如果我现在想绘制分类变量如何影响生存图,我将如何处理?我试过了:
summary = cph.summary
for index, row in summary.iterrows():
print(index)
cph.plot_covariate_groups(index, [a[index].mean()], ax=ax)
plt.show()
但是它将变量的所有不同因素绘制在同一条曲线上,我希望曲线会有所不同。好吧,我实际上不确定它是绘制所有曲线还是仅绘制最后一条曲线,但它绘制了分类变量中所有可能性的图例。
谢谢