Descargar para leer sin conexión
Subido porPedro Concejero
Survival grupo r_def
Este documento introduce el análisis de supervivencia y su aplicación para predecir la rotación de clientes. Explica conceptos clave como la función de supervivencia, el riesgo y la censura. Luego, muestra cómo construir curvas de supervivencia Kaplan-Meier y modelos de riesgos proporcionales de Cox para grupos relevantes. Finalmente, discute por qué los modelos de supervivencia no son más populares en inteligencia de negocios a pesar de su capacidad predictiva.
Survival grupo r_def
- 1. Análisis de supervivencia(survival) Introducción a survival con R Una aplicación para rotación de clientes (churn) Pedro Concejero Octubre 2015
- 2. 2 ¿Qué es esollamado churn? •De: •http://segmento.itam.mx/Administrador/Uploa der/material/La%20Lealtad%20de%20los%20Cons umidores%20y%20su%20Medicion.PDF
- 3. 3 Kaplan-Meier & Cox http://www.telegraph.co.uk/news/obituaries/medici ne-obituaries/8804883/Paul-Meier.html Meier,perhaps more than any other individual, was the person who influenced drug regulatory agencies to insist on the central importance of randomised evidence. Kaplan http://www.garfield.library.upenn.edu/classics1983/ A1983QS51100001.pdf http://www.gazettetimes.com/news/local/obituaries /edward-kaplan/article_3abb619d-834f-5e19-b34d- 3b54ccfd9cdb.html David Cox https://en.wikipedia.org/wiki/David_Cox_%28sta tistician%29
- 4. 4 Conceptos básicos - Excelenteintro: http://blog.applied.ai/survival-analysis-part1/ - Función de supervivencia - La función de riesgo
- 5. 5 Conceptos básicos análisisde supervivencia - Código para todo el estudio en github: - https://github.com/pedroconcejero/survival - Creamos un objeto survival - El concepto clave: dato “censurado” (censored)
- 6. 6 Conceptos básicos - Excelenteintro: http://blog.applied.ai/survival-analysis-part1/ - El concepto clave de “censoring” (censura, dato incompleto): dependiendo del alcance temporal del estudio, censura derecha, izquierda •Excelente trabajo sobre esto mismo: •https://dke.maastrichtuniversity.nl/westra/Ph DMaBa- teaching/GraduationStudents/LaurensAlberts200 6/Presentatie.ppt
- 7. 7 Conceptos básicos análisisde supervivencia - http://www.unc.edu/courses/2010spring/ecol/562/001/docs/lectures/lect ure23.htm
- 8. 8 Curvas de supervivenciaKaplan-Meier - Curva para todo el grupo - Curvas *por* código localidad
- 9. 9 Modelo de riesgosproporcionales
- 10. 10 Modelo árbol tradicional -‘International plan’ (yes/no) es clave - Árbol da puntos de corte fáciles de incorporar a curvas supervivencia
- 11. 11 Curvas de supervivenciapor grupos relevantes a partir variables identificadas en árbol - ‘International plan’ (yes/no) es clave - Árbol da puntos de corte fáciles de incorporar a curvas supervivencia
- 12. 12 Proporcionalidad de losriesgos es un supuesto Comprobar supuestos de modelo de Cox - Curvas log-log deben ser paralelas - Si no lo son es porque tenemos predictores, o grupos, cuyo efecto es diferencial con el tiempo - En ese caso debemos plantearnos la extensión del modelo de Cox que permite este tipo de predictores
- 13. 13 Modelo de Coxextendido - Con función cph de la librería rms - Plot Hazard-Ratios, - Después de haber seleccionado variables significativas con un modelo Cox
- 14. 14 Modelo de Coxextendido - Predicción: Con modelo survival podemos predecir a lo largo del tiempo - Para poder comparar nuestra capacidad predictiva con la del árbol usaremos el máximo de tiempo en la variable correspondiente - Con un modelo de sólo 4 predictores alcanzamos una capacidad predictiva razonable, que además nos permite adquirir conocimiento sobre su comportamiento a lo largo del tiempo
- 15. 15 Pero … ¿porqué no es más popular en inteligencia de negocio? - ¿Por el nombre? - ¿Porque parece más aplicable en medicina – campo biomédico? - ¿Porque es un modelo estadístico “tradicional”? (Hay que comprobar supuestos, usar enfoque “artesanal” para ir ajustando modelo con variables) - Hay pocas publicaciones aplicadas a este campo - 6ª técnica o modelo en 2010 de acuerdo con investigación de KhahAbi, S, Gholamian, Namvar (investigación publicada) - Extensiones muy interesantes del modelo: - Eventos recurrentes - Múltiples eventos - modelos de riesgos competitivos - Event history analysis - Modelos paramétricos
- 16. 16 Conclusiones - Modelos survivalpermiten obtener capacidad predictiva razonable con modelos muy económicos, manejables, y “comprensibles” - Los modelos de supervivencia permiten estudiar el efecto de variables o factores a lo largo de tiempo, y predecir para momentos concretos en el tiempo -> esto no lo permiten modelos predictivos habituales - ¿Por qué hay que plantearse modelos alternativos? Survival y modelos predictivos habituales son perfectamente complementarios - Misma conclusion que L.J.S.M. Alberts: - Churn prediction in the mobile telecom industry https://dke.maastrichtuniversity.nl/westra/PhDMaBa- teaching/GraduationStudents/LaurensAlberts2006/Presentatie.ppt - (él o ella hace preparación más elaborada de los datos, y afina mucho más tanto en modelos tradicionales como en los de survival; de tal modo que la capacidad predictiva de ambos modelos es muy próxima)
- 17. Gracias!!!! pedro.concejerocerezo@gmail.com Twitter: @ConcejeroPedro https://twitter.com/ConcejeroPedro gRupo RmadRid http://madrid.r-es.org/
- 18. Referencias • Survival &Churn • KhahAbi, S, Gholamian, Namvar (2010) Data Mining Applications in Customer Churn Management. 2010 Int. Conference on Intelligent Systems, Modelling and Simulation • https://www.researchgate.net/publication/232631280_Data_Mining_Applications_in_Customer_Churn_Management • Parametric Survival Models • http://www.datanalytics.com/2015/02/12/parametrizacion-de-modelos-de-supervivencia-parametricos/ • http://data.princeton.edu/pop509/ParametricSurvival.pdf • http://www.unc.edu/courses/2010spring/ecol/562/001/docs/lectures/lecture24.htm • Cox • A conversation with Sir David Cox, 1994: http://projecteuclid.org/download/pdf_1/euclid.ss/1177010394 • R & Survival • Drawing Survival Curves in R • http://rstudio-pubs-static.s3.amazonaws.com/5588_72eb65bfbe0a4cb7b655d2eee0751584.html • A course on non- and parametric survival models with R • http://www.unc.edu/courses/2010spring/ecol/562/001/docs/lectures/lecture23.htm • http://www.unc.edu/courses/2010spring/ecol/562/001/docs/lectures/lecture24.htm
- 19. 19 Conceptos básicos - Excelenteintro: http://blog.applied.ai/survival-analysis-part1/ - El concepto clave de “censoring” (censura, dato incompleto): dependiendo del alcance temporal del estudio, censura derecha, izquierda, o “interrupción” (truncate) también izquierda o derecha