fit GLM for weibull family [fermé]

8

J'essaie d'adapter le modèle linéaire généralisé pour la famille weibull, mais quand je l'essaie dans R, cela donne une erreur. Je sais que weibull ne rentre pas dans la famille exponentielle, mais j'ai lu quelques articles de recherche sur l'ajustement du GLM pour la famille weibull. Si quelqu'un peut m'aider, j'apprécie vraiment. Il donne l'erreur suivante.

> 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
la source

Réponses:

4

Désolé, je suis assez en retard avec cela ... mais je pourrais aider quelqu'un que je crois:

gamlssle package est ce que vous devriez rechercher. Il prend en charge presque toutes les distributions (pas seulement les familles exponentielles). Il donne une flexibilité incroyable sur presque tous les paramètres d'une distribution.

user3801801
la source
3
+1. gamlssprend en charge la distribution de Weibull via WEI, WEI2et WEI3, tous les 2 paramètres bien évidemment différents. Je ne sais pas si elle prend en charge la censure, cependant, ce qui serait un élément clé d'un modèle de survie AFT.
Wayne
@Wayne gamlss prend définitivement en charge la censure droite et la troncature gauche également .... les deux aussi si vous le souhaitez
user3801801
3

La glm()fonction ne prend pas en charge la distribution de Weibull dans R malheureusement. Vous pouvez essayer ?familyde voir quelles distributions sont disponibles. J'essaierais plutôt survreg()d' utiliser le survivalpackage.

Billywob
la source
ouais glm () ne supporte pas weibull. J'essaie d'utiliser l'approche glm et le modèle AFT en utilisant survreg, puis de comparer les résultats de deux méthodes. C'est pourquoi j'ai essayé de comprendre qu'il convenait à glm pour Weibull. Merci pour vos commentaires. Je vous en suis reconnaissant.
NiroshaR
1

J'ai utilisé le brmspackage, qui est bayésien. Il prend en charge les familles Weibull, exponentielle, lognormale, Frechet et d'autres et la censure (gauche / droite / intervalle) implémente donc les modèles AFT. Il comprend également des effets aléatoires qui sont connus dans les modèles de survie comme «fragilité», et une foule d'autres options de régression comme des lisseurs de style gam.

Étant donné que les approches bayésiennes utilisent l'échantillonnage MCMC, il est plus lent que glm, gamlssou survreg, mais c'est également une solution de régression complète, et le fait d'être bayésien présente d'autres avantages. (J'adore ça stanplot, qui fournit une multitude de graphiques de diagnostic éclairants.)

Wayne
la source