fit GLM untuk keluarga weibull [ditutup]

8

Saya mencoba menyesuaikan model linear umum untuk keluarga weibull, tetapi ketika saya mencobanya di R, itu memberikan kesalahan. Saya tahu bahwa weibull tidak cocok dengan keluarga eksponensial, tetapi saya telah membaca beberapa artikel penelitian tentang pemasangan GLM untuk keluarga weibull. Jika ada yang bisa membantu saya dengan ini, saya sangat menghargai. Ini memberikan kesalahan berikut.

> data(lung)
> glm(time ~ age+sex+ph.ecog+ wt.loss, family = weibull(link='log'), data = lung)
Error in glm(time ~ age + sex + ph.ecog + wt.loss, family = weibull(link = "log"),  : 
  could not find function "weibull"
NiroshaR
sumber

Jawaban:

4

Maaf saya cukup terlambat dengan ini .... tapi mungkin membantu seseorang yang saya percaya:

gamlsspaket adalah apa yang harus Anda cari. Ini mendukung hampir semua distribusi (bukan hanya yang keluarga eksponensial). Ini memberikan fleksibilitas luar biasa pada hampir semua parameter distribusi.

pengguna3801801
sumber
3
+1. gamlssmendukung distribusi Weibull via WEI, WEI2dan WEI3, semua 2-parameter meskipun jelas berbeda. Tidak yakin apakah itu mendukung sensor, yang akan menjadi elemen kunci dari model survival AFT.
Wayne
@Wayne gamlss pasti mendukung sensor kanan dan pemotongan kiri juga .... keduanya juga jika diinginkan
user3801801
3

The glm()Fungsi tidak mendukung distribusi Weibull di R sayangnya. Anda dapat mencoba ?familymelihat distribusi mana yang tersedia. Saya akan mencoba menggunakan survreg()dari survivalpaket sebagai gantinya.

Billywob
sumber
yeah glm () tidak mendukung weibull. Saya mencoba menggunakan pendekatan glm dan model AFT menggunakan survreg, kemudian membandingkan hasil dari dua metode. Itu sebabnya saya mencoba mencari tahu agar pas glm untuk weibull. Terima kasih atas komentar anda Saya menghargainya.
NiroshaR
1

Saya telah menggunakan brmspaket itu, yaitu Bayesian. Ini mendukung Weibull, eksponensial, lognormal, Frechet, dan keluarga lainnya dan sensor (kiri / kanan / interval) sehingga menerapkan model AFT. Ini juga termasuk efek acak yang dikenal dalam model survival sebagai "kelemahan", dan sejumlah opsi regresi lainnya seperti smoothers bergaya gam.

Karena pendekatan Bayesian menggunakan pengambilan sampel MCMC, itu lebih lambat daripada glm,, gamlssatau survreg, tetapi juga merupakan solusi regresi yang komprehensif, dan menjadi Bayesian memiliki keunggulan lain. (Saya suka itu stanplot, yang menyediakan sejumlah plot diagnostik yang menerangi.)

Wayne
sumber