jskm( )を使ってKaplan-Meier生存曲線を描く 信頼区間をつける 色パレットを変更する 線の種類を変更する 打ち切りマークを変更する Risk tableをつける 軸について色々 軸の目盛り間隔を変更する 軸の範囲・ラベルを指定する 検定結果を表示する 凡例を変更…

例示のための元データの作成 bootパッケージを使って信頼区間を計算する boot( )を使ってブートストラップサンプル毎の統計量を計算する boot.ci( )を使ってブートストラップ信頼区間を計算する 信頼区間を計算するアルゴリズム色々 表記のルール バイアス …

マルチレベルデータとは マルチレベルデータの解析 混合効果モデルの概要 混合効果モデル = 固定効果 + 変量効果 クラスター効果をモデルに含める lme4パッケージで混合効果モデルを使う サンプルデータの準備 glmer( )を使ってモデルを当てはめる ランダム…

マルチレベルデータとは マルチレベルデータの解析 一般化推定方程式（GEE）の概要 独立型：independent 交換可能型：exchangeable 1次自己相関型：AR(1) 非構造化型：unstructured geepackパッケージで一般化推定方程式（GEE）を使う サンプルデータの準備 …

罰則付き回帰モデル（penalized regression model）で過学習を抑える LASSO回帰, Ridge回帰, Elastic Netは正則化項（ペナルティー）が違う glmnet( )でペナルティーの重みλを色々変えて係数βを推定する cv.glmnet( )で重み付けパラメータλを変えながらモデ…

パッケージとデータの準備 マッチング前のデータで共変量のバランスを確認する 傾向スコアでマッチさせたコホートを作成する マッチさせたコホートで共変量のバランスを確認する マッチングの様子を図示する 治療効果を推定する おわりに 参考資料 傾向スコ…

パッケージとデータの準備 〜 傾向スコアの推定 各症例の重み（weight）を計算する 重みが極端な値の場合の対処方法 WeightItパッケージを使う方法 共変量のバランスを確認する cobaltパッケージを使う MatchItパッケージを使う 治療効果を推定する おわりに…

傾向スコアを使った解析の流れ 傾向スコアの推定方法 傾向スコアの推定に用いる変数 パッケージとデータの準備 元データで群間のバランスを見てみる ロジスティック回帰モデルを使って傾向スコアを推定する 推定された傾向スコアを確認する 傾向スコアの分布…

パッケージとデータの準備 Stanファイルの準備 おわりに 参考文献 前回、ロジスティック回帰モデル（ロジット-二項モデル）からオッズ比（odds ratio, OR）ではなくリスク比（risk ratio, RR）を推定する方法として「デルタ法」と「ブートストラップ法」を用…

パッケージとデータの準備 デルタ法 ブートストラップ法 おわりに 参考資料 今回はロジスティック回帰モデル（ロジット-二項モデル）からオッズ比（odds ratio, OR）ではなくリスク比（risk ratio, RR）を推定する方法をまとめる。 ロジスティック回帰モデル…

アウトカムが2値変数の場合、一般的にロジスティック回帰モデルが用いられることが多い。 この場合の効果指標はオッズ比（odds ration, OR）だが、アウトカムの発生頻度が高い場合（>10%ルール）、オッズ比はリスク比（risk ratio, RR）の近似にならない。 …