GLM apto para a família weibull [fechado]


8

Estou tentando ajustar o modelo linear generalizado para a família weibull, mas quando o tento em R, isso gera um erro. Sei que o weibull não se encaixa na família exponencial, mas li alguns artigos de pesquisa sobre como ajustar o GLM para a família weibull. Se alguém puder me ajudar com isso, eu realmente aprecio. Dá o seguinte erro.

> 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"

Respostas:


4

Desculpe, estou muito atrasado com isso .... mas pode ajudar alguém em que acredito:

gamlsspacote é o que você deve procurar. Ele suporta quase todas as distribuições (não apenas as familiares exponenciais). Oferece flexibilidade incrível em quase todos os parâmetros de uma distribuição.


3
+1. gamlsssuporta a distribuição Weibull via WEI, WEI2e WEI3, todos os 2 parâmetros, embora obviamente diferentes. Porém, não tenho certeza se ele suporta censura, o que seria um elemento-chave de um modelo de sobrevivência da AFT.
26417 Wayne

@Wayne gamlss definitivamente suporta censura direita e truncagem esquerdo também .... ambos também se queria
user3801801

3

A glm()função não suporta a distribuição de Weibull em R infelizmente. Você pode tentar ?familyver quais distribuições estão disponíveis. Eu tentaria usar a survreg()partir do survivalpacote.


yeah glm () não suporta weibull. Estou tentando usar a abordagem glm e o modelo AFT usando o survreg e, em seguida, compare os resultados de dois métodos. É por isso que eu tentei descobrir isso para se ajustar ao glm para weibull. Obrigado por seus comentários. Eu agradeço.
NiroshaR

1

Eu usei o brmspacote, que é bayesiano. Ele suporta as famílias Weibull, exponencial, lognormal, Frechet e outras famílias e a censura (esquerda / direita / intervalo) para implementar os modelos AFT. Ele também inclui efeitos aleatórios que são conhecidos nos modelos de sobrevivência como "fragilidade" e uma série de outras opções de regressão, como smoothers estilo gam.

Como as abordagens bayesianas usam a amostragem MCMC, é mais lenta que glm, gamlssou survreg, mas também é uma solução abrangente de regressão, e ser bayesiano tem outras vantagens. (Eu amo isso stanplot, que fornece uma série de gráficos de diagnóstico esclarecedores.)

Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.