ajuste GLM para la familia weibull [cerrado]

8

Estoy tratando de ajustar el modelo lineal generalizado para la familia weibull, pero cuando lo intento en R, aparece un error. Sé que weibull no encaja en la familia exponencial, pero he leído algunos artículos de investigación sobre cómo ajustar GLM para la familia weibull. Si alguien me puede ayudar con esto, realmente lo aprecio. Da el siguiente error.

> 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"

r generalized-linear-model survival gamlss

— NiroshaR
fuente

4

Lo siento, llego bastante tarde con esto ... pero podría ayudar a alguien que creo:

gamlsspaquete es lo que deberías estar buscando. Admite casi todas las distribuciones (no solo las familias exponenciales). Ofrece una flexibilidad sorprendente en casi todos los parámetros de una distribución.

— usuario3801801
fuente

3

+1. gamlssadmite la distribución de Weibull a través de WEI, WEI2y WEI3, todos los 2 parámetros, aunque obviamente diferentes. Sin embargo, no estoy seguro de si es compatible con la censura, que sería un elemento clave de un modelo de supervivencia AFT.

— Wayne

@Wayne gamlss definitivamente admite la censura a la derecha y el truncamiento a la izquierda también ... ambos también si lo desea

— user3801801

3

La glm()función no admite la distribución de Weibull en R desafortunadamente. Puede intentar ?familyver qué distribuciones están disponibles. Intentaría usar survreg()el survivalpaquete en su lugar.

— Billywob
fuente

yeah glm () no admite weibull. Estoy tratando de usar el enfoque glm y el modelo AFT usando survreg, luego comparo los resultados de dos métodos. Es por eso que traté de resolverlo para que se ajuste a glm para weibull. Gracias por tus comentarios. Lo aprecio.

— NiroshaR

1

He usado el brmspaquete, que es bayesiano. Admite la Weibull, exponencial, lognormal, Frechet y otras familias y la censura (izquierda / derecha / intervalo), por lo que implementa modelos AFT. También incluye efectos aleatorios que se conocen en los modelos de supervivencia como "fragilidad", y una serie de otras opciones de regresión, como los suavizadores estilo gam.

Dado que los enfoques bayesianos usan el muestreo MCMC, es más lento que glm, gamlsso survreg, pero también es una solución de regresión integral, y ser bayesiano tiene otras ventajas. (Me encanta stanplot, que proporciona una gran cantidad de gráficos de diagnóstico iluminadores).

— Wayne
fuente