联系方式

  • QQ:99515681
  • 邮箱:99515681@qq.com
  • 工作时间:8:00-21:00
  • 微信:codinghelp

您当前位置:首页 >> Algorithm 算法作业Algorithm 算法作业

日期:2024-11-21 05:25

STA475 Assignment #3 (Fall 2024)

Instructions

Due date: Friday November 22 at 11:59pm

•  No-questions-asked grace period until Monday November 25 at 5pm

•  No late submissions will be accepted after this time

Where to submit:

•  Crowdmark:  Submit your answers to each question in correct space on Crowdmark

•  MarkUs  (link:   https://markus.teach.cs.toronto.edu/markus/courses/25):   Submit  the .qmd file with your answers to Q1 to MarkUs - please just save a copy of the ques- tions and enter your answers in the space provided. You don’t have to use the .qmd file to answer the other questions if you don’t want to.

•  You can submit as many times as you like before the deadline

•  Email submissions will NOT be accepted

Other notes:

•  For some questions, you will need to use R; please include all code and relevant output in the pdf submission (make sure the code is visible in the pdf and doesn’t run out of the margins).  If the question asks you to answer a question based on R output, make sure your answer is easy for your TA to find (i.e. start with your answer, then have the code and output afterwards for reference).  Your TA should be able to understand your answer without looking at your and output (as appropriate), but may refer to these to better understand what you did.

•  While you may discuss questions with your classmates, you MUST submit independent work that you did yourself.  Students submitting identical solutions  (e.g. identical sen- tences, derivations steps, or chunks of code) will be investigated for violations of academic integrity.

•  If   you   believe   you’ve   found   a   typo   or   error   in   the   assignment,   please   email sta475@utoronto.ca  so  I  can  look  into  it  and  get  back  to  the  class  as  quickly  as possible.

Question 1 [12 points] To answer the questions below, refer to the article titled “Breastfeeding Rates and Related Factors at 1 Year Postpartum in Women with Gestational Diabetes Initially Recruited for a Diabetes Prevention Program”.  In Table 2, two sets of results are included (unadjusted and adjusted models).  Find the relevant section of the article related to this table to understand the difference between these.  For each of the following quantities (i) write the regression equation for the corresponding model, carefully defining any notation you introduce, (ii) fill in the steps to build up your interpretation (the steps are given at the end of this question   for your reference), and (iii) write a clear and complete interpretation of the estimated coefficient in the context of the data.

(a) The coefficient for mothers who had breastfeeding troubles (unadjusted model)

(b) The coefficient mothers who had breastfeeding troubles (adjusted model)


Steps for building up an interpretation

Step

Step 1:  Identify

Identify the target for interpretation

Step 2:  Think

Is it “better” to have larger or smaller values of the target

Step 3:  Identify

Identify comparison of interest

Step 4:  Analyze

Determine direction of effect

Step 5:  Write

Fill in the basic sentence frame.

The                   for individuals with                       is                   times that of individuals with                       .

Step 5b  (if applicable):  Rewrite

Rewrite Step 5 so that the value reported is bigger than 1 (if it isn’t already)


Question 2 [16 points] The data in leukemia.csv contains survival times for patients with leukemia, measured in weeks from diagnosis.  Values of two predictors are also recorded:  white blood cell counts (wbc) at diagnosis and AG, a binary predictor that indicates whether a test related to white blood cells was positive (1) or negative (0).


leuk <- read_csv("leukemia.csv")


Rows: 33 Columns: 4

-- Column specification --------------------------------------------------------

Delimiter: ","

dbl (4): time, status, AG, wbc

i Use `spec()` to retrieve the full column specification for this data.

i Specify the column types or set `show_col_types = FALSE` to quiet this message.


glimpse(leuk)


Rows: 33

Columns: 4

$ time   <dbl> 65, 140, 100, 134, 16, 106, 121, 4, 39, 121, 56, 26, 22, 1, 1, ~ $ status <dbl> 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, ~ $ AG    <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, ~ $ wbc    <dbl> 2.30, 0.75, 4.30, 2.60, 6.00, 10.50, 10.00, 17.00, 5.40, 7.00, ~

(a) Use graphical methods to assess how the survival time is affected by wbc, log(wbc),

and AG. Hint:  Consider using K-M plots, scatterplots, or other visualizations as

appropriate.  For each visualization in your answer, write  1-2 sentences summarizing your observations regarding the association between the predictor and survial times.

(b) Fit a parametric regression model to these data with appropriate predictors.  Write the model equation for the model you fit, as well as the summary of model estimates   from R. Be sure to define any covariates you introduce.

(c) Carry out residual analysis to assess the fit of the model you chose in the previous

part.  If you find that the fit is not suitable based on the residuals, you should fit a

different model in (b) and repeat the residual analysis - the goal here is to end up with a model which is suitable for these data.

(d) Based on your model from (b) and (c), interpret the estimated regression

coefficients and how the survival time depends on the covariates (you don’t need to interpret the intercept).

(e) Now you’ll fit a Cox Proportional Hazards model to these data (you choose what predictors to include) and carry out resdidual analysis to check if the fit is adequate (if it

isn’t, try to build another model that has better fit)

(f ) Interpret the estimates for your fitted Cox PH model from (e)

Question 3 [15 points] The bladder cancer recurrence data in

bladder.csv feature data on a tumour recurrence study for patients with bladder cancer.  Individuals  had 0 to 3 recurrences during the    60 month (5-year) follow-up window, but for this analysis we will

focus on the time to first recurrence, measured from entry into the study.  Define the response time based on follow-up time  (futime)   and first recurrence time (in months) as follows.  If the patient

experienced no recurrences, they are considered ‘censored’ at the end of the follow-up time.  The covariates include:

•  treatment group: placebo (1) vs drug thiotepa (2)

•  size: size of the largest initial tumour, measured in cm

•  number: number of tumours at initial diagnosis

(a) Before you begin your analysis, perform the following modifications to the bladder

data.  (i)  Define a new variable response variable called time according to the description above.  (ii)  Define a status variable to indicate which subjects experienced a recurrence  and which were censored.  (iii) Change the values of Group from 1/2 to more descriptive values.  Print the first 10 rows of the modified bladder dataset in your solutions, to

demonstrate that you’ve made the changes appropriately (you should leave all previous variables in the dataset, to facilitate this verification).


bladder <- read_csv("bladder.csv")


Rows: 86 Columns: 5

-- Column specification --------------------------------------------------------

Delimiter: ","

chr (1): recurrence_time1

dbl (4): Group, futime, number, size

i Use `spec()` to retrieve the full column specification for this data.

i Specify the column types or set `show_col_types = FALSE` to quiet this message.

(b) In this question, you will fit Cox regression models to investigate the effect of these covariates on the time to first recurrence.  Your investigation should include the following

sections:  (A)  Initial graphical exploration & commentary, (B) Model fitting and model comparison - you should fit at least two models and compare them using hypothesis

test(s), (C) Residual analysis - use deviance residuals only for this investigation, and (D) Summary of final results and conclusions, including interpreting the estimates in the context of the problem.

Be sure to write a few sentences describing and summarizing each part of your analysis process (in addition to providing R code and relevant output).

Question 4 [5]

In  this  question,   you’ll  watch  a  brief  interview   with  David  Cox   (first   12  minutes  of https://www.youtube.com/watch?v=TiHCNRUiLKc&t=731s )

(a) Write 100-200 words briefly describing his motivation for developing this new model.

(b) If you used any information outside of the above video in your response,

please provide a citation for this information.  If you used no other information, please write “I did not use any other information to produce my response.”

(c) If you used an LLM tool to generate any part of your response, please

indicate how you used it here and include a transcript of the conversation you

had.  Reasonable use of an  LLM is allowed to improve your answer, but the ideas should be your own.

Question 5 [10 points]

The following paragraph is a somewhat incorrect description of the  Cox Proportional Haz- ards model.  Identify **all** errors in the passage, and for each one, provide a justification (please use bullet points to clearly identify each error, followed by an explanation of why it is incorrect).

The  Cox Proportional Hazards  model is widely used in survival analysis  due  to  its flexibility and  robust  theoretical foundation.   Its  popularity  stems  from  the  ability  to  handle  multiple covariates while making minimal assumptions about the underlying data structure .  A defining feature  of this  model  is  that  it  assumes  that  the  baseline  hazard function follows  a   Weibull distribution, which helps with computational efficiency.  Like other survival models, it estimates the  instantaneous  risk  of  an  event  occurring,   and  the  relationship  between  covariates  and survival  is  expressed  through  the  hazard  ratio.     The  hazard  ratios  between  different  groups must remain constant over time - this is  called the proportional odds assumption.  As  a fully parametric  model,  it  provides  direct  estimates  of survival  times  and  allows  us  to  explicitly interpret the magnitude of the baseline hazard at any time point.


版权所有:编程辅导网 2021 All Rights Reserved 联系方式:QQ:99515681 微信:codinghelp 电子信箱:99515681@qq.com
免责声明:本站部分内容从网络整理而来,只供参考!如有版权问题可联系本站删除。 站长地图

python代写
微信客服:codinghelp