前言

关于cox模型的校准曲线绘制，大家可以在浏览器中搜索，关于参数设置大部分都已经讲的很明白（这里不过多赘述），但是关于校准曲线的原理，关于校准曲线图上每个点、误差线所代表的意义以及如何计算得来的，相信大部分人不是很明白。通过阅读源码，将我学习到的记录在此，也可以让部分人更加了解自己的数据和模型。

一、校准曲线是什么？

校准曲线就是实际发生率和预测发生率的散点图。
此文会介绍图中各个点、线背后的数据。这里先看一下一个普通的校准曲线（未更改参数）。

二、校准曲线

1.怎么画？

（发文助手说内容太少，我用参数水点长度）
主要是画图参数：

x：通过calibrate函数得到的object
xlab：x轴标题
ylab：y轴标题
subtitles = TRUE：次标题，这里指图下方的注释（小文字），默认是TRUE，发文章的时候可能需要设置FALSE以去除。
conf.int = TRUE：是否需要绘制误差线，默认是TRUE，绘制
cex.subtitles = 0.75：次标题的文字大小
riskdist = TRUE：是否绘制图上方的轴须图，就是那一条像长毛的东西
add = FALSE，是否新建一个图还是添加在别的图之上。
scat1d.opts：这个参数是设置轴须图的，不用过多关注，详情参考scat1d函数的参数。
par.corrected：参数类型为list，用于设置误差点的参数。默认是NULL，函数内部会自动赋值为list(col = "blue", lty = 1, lwd = 1, pch = 4)，你的新参数会覆盖重复的参数。比如编辑可能会有奇怪的要求，不要那个校准的小x点，你就可以设置par.corrected=list(col='white)。

dd=datadist(data)
options(datadist="dd")
f<-cph(Surv(DMFS新,DMFS结局类型)~组织学细分+T亚分级+S100,time.inc=60,data = data,x=TRUE,y=TRUE,surv=TRUE)
cal <- calibrate(f, cmethod="KM", method="boot", u=60, m=  round(nrow(data)/3), B=1000)
cal
plot(cal,xlim=c(0,1),ylim=c(0,1))

2.怎么理解？

从校准曲线图可以发现，存在6个points，3个实心3个x状points，还有3条误差线。结合cal计算结果可以发现。
实心points：横坐标：是calibrate函数（以下简称cal）计算结果中的KM列，纵坐标是：cal中的mean.predicted列。
x points：叉状点的纵坐标是cal中的KM.corrected列。
误差条：误差是根据cal中的std.err列计算出来的具体计算函数是：上端：ifelse(KM == 0, 0, pmin(1, KM * exp(1.959964 * std.err)))。下端：ifelse(KM == 0, 0, KM * exp(1.959964 * (-std.err)))。
左右下角注释：可以发现图下面还有部分注释信息，含义分别为：

n=72代表有72数据
d=29代表结局事件发生数为29（即数据中29例的sutus=1）
p=6代表cox模型中系数有6个（注意：这里的系数数目和建模的变量数不是一回事，因为分类变量会有多个系数）
24 subjects per group表示数据分组（后面将计算的时候再介绍）时，每组24个数据
Gray: ideal表示灰色的线为理想的线
B=1000 再这里表示进行了1000次重采样计算。
Based on observed-predicted表示cal数据中index.orig这一列是怎么计算来的，对于画图没有作用（挖个坑，后面再讲）。

3.验证

那么根据上述运行以下代码看图是否与之相同。

##准备误差线图数据
errl <- ifelse(cal[,"KM"] == 0, 0,  cal[,"KM"] * exp(1.959964 * (-cal[,"std.err"])))
errh <- ifelse(cal[,"KM"] == 0, 0, pmin(1, cal[,"KM"] * exp(1.959964 * cal[,"std.err"])))
##绘制误差线图
errbar(x = cal[,"mean.predicted"],y = cal[,"KM"],yminus = errl,yplus = errh,pch=16,cex=1.2,xlim = c(0,1),ylim = c(0,1),asp=1,xaxs='i',yaxs='i',xlab = 'Fraction surviving 60 Day',ylab = 'Predicted 60 Days Survival')
##添加灰色参考对角线
abline(a = 0,b = 1,col='grey')
##添加连线
lines(x = cal[,"mean.predicted"],y = cal[,"KM"])
##添加校准后的点
points(x = cal[,"mean.predicted"],y = cal[,"KM.corrected"],pch=4)
##绘制轴须图
scat1d(x = attr(cal,"predicted"),nhistSpike = 200)

不能说十分相似，只能说一摸一样了（为了表示我真的不是只改了原画图参数所得，可以明显看出上图中灰色参考线的图层在实现底下）。当然了，由于原函数中坐标比例的问题，观感可能不一样，但图表达的意思真的是一毛一样。

总结

为了更好的理解校准曲线，我去看了相关函数的源代码，算是一个自己的学习记录吧。

这篇只是开个头，还远没有结束，后面会继续更的。

本人小白，如有错误，请批评指正

R语言--Cox模型校准曲线原理（一）数据来源相关推荐

R语言cox回归模型案例（绘制列线图、校正曲线）：放疗是否会延长胰脏癌手术患者的生存时间
R语言cox回归模型案例(绘制列线图.校正曲线):放疗是否会延长胰脏癌手术患者的生存时间目录
R语言︱机器学习模型评价指标+（转）模型出错的四大原因及如何纠错
笔者寄语:机器学习中交叉验证的方式是主要的模型评价方法,交叉验证中用到了哪些指标呢? 交叉验证将数据分为训练数据集.测试数据集,然后通过训练数据集进行训练,通过测试数据集进行测试,验证集进行验证. 模 ...
R语言结构方程模型（SEM）在生态学领域中的应用
前言:结构方程模型(Sructural Equation Model)是一种建立.估计和检验研究系统中多变量间因果关系的模型方法,它可以替代多元回归.因子分析.协方差分析等方法,利用图形化模型方式清晰 ...
R语言BIOMOD2模型的物种分布模拟
随着生物多样性全球大会的举办,不论是管理机构及科研单位.高校都在积极准备,根据国家林草局最新工作指示,我国将积极整合.优化自然保护地,加快推进国家公园体制试点,构建以国家公园为主体的自然保护地体系.针 ...
R语言结构方程模型（SEM）在生态学领域中的实践
结构方程模型(Sructural Equation Model)是一种建立.估计和检验研究系统中多变量间因果关系的模型方法,它可以替代多元回归.因子分析.协方差分析等方法,利用图形化模型方式清晰展示研 ...
R语言分类模型：逻辑回归模型LR、决策树DT、推理决策树CDT、随机森林RF、支持向量机SVM、Rattle可视化界面数据挖掘、分类模型评估指标（准确度、敏感度、特异度、PPV、NPV）
R语言分类模型:逻辑回归模型LR.决策树DT.推理决策树CDT.随机森林RF.支持向量机SVM.Rattle可视化界面数据挖掘.分类模型评估指标(准确度.敏感度.特异度.PPV.NPV) 目录
R语言回归模型构建、回归模型基本假设（正态性、线性、独立性、方差齐性）、回归模型诊断、car包诊断回归模型、特殊观察样本分析、数据变换、模型比较、特征筛选、交叉验证、预测变量相对重要度
R语言回归模型构建.回归模型基本假设(正态性.线性.独立性.方差齐性).回归模型诊断.car包诊断回归模型.特殊观察样本分析.数据变换.模型比较.特征筛选.交叉验证.预测变量相对重要度目录
R语言KNN模型数据分类实战
R语言KNN模型数据分类实战目录 R语言KNN模型数据分类实战 #KNN基本原理 #案例分析 #数据集说明
R语言xgboost模型构建:基于prima糖尿病数据集
R语言xgboost模型构建:基于prima糖尿病数据集目录 R语言xgboost模型构建:基于prima糖尿病数据集
R语言回归模型协方差分析（Analysis of Covariance）
R语言回归模型协方差分析(Analysis of Covariance) 目录 R语言回归模型协方差分析(Analysis of Covariance) 输入数据 ANCOVA分析

R语言--Cox模型校准曲线原理（一）数据来源

文章目录

前言