このブログは「すぐに役立つ統計のコツ」(オーム社)の内容に沿って、チョットしたコツを書いています。
今回は、最終章（第８章）「生存時間」に関するお話です。
今回は、最終章（第８章）「生存時間」に関するお話です。
それでは、「すぐに役立つ統計のコツ」第８章(130ページ)を開いて下さい。
本書の例題(データ)は、情報統計研究所(HP)からダウンロード出来ますのでご利用下さい。
第８章は、「イベントヒストリー分析」となっています。医学医療関連では生存時間の分析(解析)と呼ばれて言いますが、
生産現場での、例えば「故障/非故障」などの信頼性分析(信頼性工学)で用いられています。
工場の生産現場で「生存時間」と言うのはしっくりきませんし、医学医療の現場で「故障」と言うのも違和感があります。
しかし、
あるイベントに対する分析であれば、「生存」であっても「故障」であっても、イベントと言えますのでしっくりくると思われます。
本書ではエクセルによる方法をご紹介していますが、結構、手間で少々うんざりです。
だって、
商用統計ソフトを使えば、難なく生存曲線などを描いてくれますから便利ですよね！
しかし、
その分析過程を知りたいなら、本書のエクセル関数を手入力してみて下さい。
だって、
商用統計ソフトを使えば、難なく生存曲線などを描いてくれますから便利ですよね！
しかし、
その分析過程を知りたいなら、本書のエクセル関数を手入力してみて下さい。
高価な商用統計ソフトはチョット・・・と思われるなら、これからご紹介するデータ解析環境「R」がお勧めです。
それでは、
「R」による方法をご紹介しましょう。
「R」による方法をご紹介しましょう。
(1)カプラン・マイヤー法（Kaplan-Meier法：K-M法）について。
この方法は小標本（例えば50例以下）に適しており、医学医療分野でよく用いられています。本書では、エクセルでの方法を紹介していますが、正直やっかいです。R」だと、survfit()関数だけで K-M 法をやってくれます。
では、
その方法を書きに記しておきましょう。
その方法を書きに記しておきましょう。
まずは、
例題を情報統計研究所(HP)からダウンロード「Excel_Sample(3).xlsx」しておいて下さい。
例題を情報統計研究所(HP)からダウンロード「Excel_Sample(3).xlsx」しておいて下さい。
そして、
「Excel_Sample(3).xlsx」の Sheet名「表8.1」を開き「A1：C22」を「選択→コピー」し用いて下さい。
「Excel_Sample(3).xlsx」の Sheet名「表8.1」を開き「A1：C22」を「選択→コピー」し用いて下さい。
***
dat<- read.delim("clipboard", haeder=T)
head(dat)
dat<- read.delim("clipboard", haeder=T)
head(dat)
# ここから下は「Ｒエディタに書くと良いでしょう」
library(survival)
fit<- survfit(Surv(観察期間, イベント発生 == 1)~ グループ, data=dat)
summary(fit)
plot(fit)
fit<- survfit(Surv(観察期間, イベント発生 == 1)~ グループ, data=dat)
summary(fit)
plot(fit)
# 日本語に対応していなかったり、英文(アルファベット)で表記したければ次により列名を変えられます。
# names(dat)=c("Time", "Status", "Group")
# names(dat)=c("Time", "Status", "Group")
出力結果：
> summary(fit)
Call: survfit(formula = Surv(観察期間, イベント発生 == 1) ~ グループ,
data = dat)
Call: survfit(formula = Surv(観察期間, イベント発生 == 1) ~ グループ,
data = dat)
グループ=A
time n.risk n.event survival std.err lower 95% CI upper 95% CI
2 9 1 0.889 0.105 0.706 1
7 5 1 0.711 0.180 0.433 1
13 3 1 0.474 0.228 0.185 1
time n.risk n.event survival std.err lower 95% CI upper 95% CI
2 9 1 0.889 0.105 0.706 1
7 5 1 0.711 0.180 0.433 1
13 3 1 0.474 0.228 0.185 1
グループ=B
time n.risk n.event survival std.err lower 95% CI upper 95% CI
1 11 1 0.909 0.0867 0.7541 1.000
2 10 1 0.818 0.1163 0.6192 1.000
3 9 1 0.727 0.1343 0.5064 1.000
5 7 1 0.623 0.1500 0.3890 0.999
6 6 1 0.519 0.1569 0.2874 0.939
8 4 1 0.390 0.1628 0.1718 0.884
9 3 1 0.260 0.1517 0.0827 0.816
10 2 1 0.130 0.1191 0.0215 0.784
time n.risk n.event survival std.err lower 95% CI upper 95% CI
1 11 1 0.909 0.0867 0.7541 1.000
2 10 1 0.818 0.1163 0.6192 1.000
3 9 1 0.727 0.1343 0.5064 1.000
5 7 1 0.623 0.1500 0.3890 0.999
6 6 1 0.519 0.1569 0.2874 0.939
8 4 1 0.390 0.1628 0.1718 0.884
9 3 1 0.260 0.1517 0.0827 0.816
10 2 1 0.130 0.1191 0.0215 0.784
図１：K-M法による生存曲線(本書の138ページ参照)
次回も、引き続き最終章(第８章)をご紹介します。
情報統計研究所はここから！