Überlebenszeitanalyse in Python

Welche Probleme löst die Überlebenszeitanalyse, und was ist Zensierung? Du wirst diese Fragen beantworten, während du Daten zur Überlebenszeitanalyse untersuchst, Überlebenskurven erstellst und grundlegende Schätzungen der Überlebenszeit vornimmst.

In diesem Kapitel lernst du, wie das Kaplan-Meier-Modell funktioniert und wie man es anpasst, visualisiert und interpretiert. Anschließend wendest du dieses Modell an, um zu untersuchen, wie sich kategoriale Variablen auf die Überlebensrate auswirken, und lernst, wie du deine Analyse mit Hypothesentestmethoden wie dem Log-Rank-Test ergänzen kannst.

Entdecke, wie du Daten zur Zeit bis zum Ereignis mit parametrischen Modellen modellieren kannst. Lerne, wie du das Weibull-Modell und das Weibull-AFT-Modell verwendest und welchen unterschiedlichen Zwecken sie dienen. Nutze die Überlebensregression, um Rückschlüsse darauf zu ziehen, wie Kovariaten die Überlebensfunktion beeinflussen, und lerne, wie du das beste Überlebensmodell für deine Daten auswählst.

Ein weiteres Kapitel, ein weiteres Modell! In diesem letzten Kapitel lernst du die Proportionale-Hazards-Annahme kennen und erfährst, welche Rolle sie bei der Anpassung und Interpretation der Cox-Regression spielt. Außerdem lernst du, wie du die Überlebenszeit neuer Probanden mit der Cox-Regression vorhersagen kannst.