library(xlsx)
## Loading required package: rJava
## Loading required package: xlsxjars
library(survival)
## Warning: package 'survival' was built under R version 3.2.5
d1<-read.xlsx('/Users/CDX/Box Sync/Course/2016/741/Failure_Time/Data Set I.xls',sheetIndex = 1)
mock.fit<-survfit(Surv(time,censor)~1,data=d1)
plot(mock.fit,lwd=3,col=4)
KM AND NA
lambda<-mock.fit$n.event/mock.fit$n.risk
print(data.frame(time=mock.fit$time,lambda = lambda))#HAZARD ESTIMATORS
## time lambda
## 1 1 0.0145985401459854010
## 2 2 0.0074074074074074077
## 3 3 0.0074626865671641790
## 4 4 0.0075187969924812026
## 5 7 0.0227272727272727279
## 6 8 0.0310077519379844957
## 7 10 0.0160000000000000003
## 8 11 0.0081300813008130090
## 9 12 0.0163934426229508205
## 10 13 0.0166666666666666664
## 11 15 0.0169491525423728813
## 12 16 0.0086206896551724137
## 13 18 0.0260869565217391290
## 14 19 0.0178571428571428562
## 15 20 0.0181818181818181809
## 16 21 0.0185185185185185175
## 17 22 0.0094339622641509430
## 18 24 0.0190476190476190493
## 19 25 0.0291262135922330107
## 20 27 0.0101010101010101019
## 21 29 0.0102040816326530604
## 22 30 0.0206185567010309274
## 23 31 0.0210526315789473679
## 24 33 0.0107526881720430116
## 25 35 0.0108695652173913040
## 26 36 0.0109890109890109899
## 27 42 0.0111111111111111115
## 28 43 0.0112359550561797750
## 29 44 0.0113636363636363640
## 30 45 0.0114942528735632182
## 31 48 0.0116279069767441859
## 32 49 0.0117647058823529410
## 33 51 0.0357142857142857123
## 34 52 0.0370370370370370350
## 35 53 0.0128205128205128201
## 36 54 0.0259740259740259757
## 37 56 0.0133333333333333342
## 38 59 0.0135135135135135143
## 39 61 0.0136986301369863006
## 40 63 0.0138888888888888881
## 41 72 0.0140845070422535214
## 42 73 0.0142857142857142853
## 43 80 0.0289855072463768119
## 44 82 0.0149253731343283579
## 45 83 0.0000000000000000000
## 46 84 0.0153846153846153855
## 47 87 0.0156250000000000000
## 48 90 0.0161290322580645157
## 49 92 0.0163934426229508205
## 50 95 0.0333333333333333329
## 51 97 0.0000000000000000000
## 52 99 0.0350877192982456121
## 53 100 0.0181818181818181809
## 54 103 0.0188679245283018861
## 55 105 0.0196078431372549017
## 56 110 0.0200000000000000004
## 57 111 0.0408163265306122416
## 58 112 0.0212765957446808505
## 59 117 0.0434782608695652162
## 60 118 0.0227272727272727279
## 61 122 0.0232558139534883718
## 62 123 0.0000000000000000000
## 63 126 0.0243902439024390252
## 64 132 0.0250000000000000014
## 65 133 0.0256410256410256401
## 66 139 0.0263157894736842091
## 67 140 0.0270270270270270285
## 68 143 0.0277777777777777762
## 69 144 0.0285714285714285705
## 70 151 0.0294117647058823525
## 71 153 0.0303030303030303039
## 72 156 0.0312500000000000000
## 73 162 0.0645161290322580627
## 74 164 0.0344827586206896547
## 75 177 0.0357142857142857123
## 76 182 0.0000000000000000000
## 77 186 0.0384615384615384637
## 78 200 0.0400000000000000008
## 79 201 0.0416666666666666644
## 80 216 0.0434782608695652162
## 81 228 0.0454545454545454558
## 82 231 0.0476190476190476164
## 83 242 0.0526315789473684181
## 84 250 0.0555555555555555525
## 85 260 0.0588235294117647051
## 86 278 0.0625000000000000000
## 87 283 0.0666666666666666657
## 88 287 0.0714285714285714246
## 89 314 0.0769230769230769273
## 90 340 0.0833333333333333287
## 91 357 0.0909090909090909116
## 92 378 0.1000000000000000056
## 93 384 0.1111111111111111049
## 94 389 0.1250000000000000000
## 95 392 0.1428571428571428492
## 96 411 0.1666666666666666574
## 97 467 0.2000000000000000111
## 98 553 0.2500000000000000000
## 99 587 0.3333333333333333148
## 100 991 0.5000000000000000000
## 101 999 1.0000000000000000000
print(data.frame(time=mock.fit$time,lambda = cumsum(lambda)))#cumulative hazard
## time lambda
## 1 1 0.014598540145985401
## 2 2 0.022005947553392809
## 3 3 0.029468634120556988
## 4 4 0.036987431113038191
## 5 7 0.059714703840310919
## 6 8 0.090722455778295408
## 7 10 0.106722455778295408
## 8 11 0.114852537079108419
## 9 12 0.131245979702059257
## 10 13 0.147912646368725920
## 11 15 0.164861798911098784
## 12 16 0.173482488566271215
## 13 18 0.199569445088010333
## 14 19 0.217426587945153182
## 15 20 0.235608406126971370
## 16 21 0.254126924645489916
## 17 22 0.263560886909640857
## 18 24 0.282608505957259892
## 19 25 0.311734719549492889
## 20 27 0.321835729650503000
## 21 29 0.332039811283156072
## 22 30 0.352658367984186982
## 23 31 0.373710999563134361
## 24 33 0.384463687735177362
## 25 35 0.395333252952568659
## 26 36 0.406322263941579664
## 27 42 0.417433375052690792
## 28 43 0.428669330108870539
## 29 44 0.440032966472506892
## 30 45 0.451527219346070097
## 31 48 0.463155126322814303
## 32 49 0.474919832205167258
## 33 51 0.510634117919453012
## 34 52 0.547671154956489992
## 35 53 0.560491667777002767
## 36 54 0.586465693751028749
## 37 56 0.599799027084362169
## 38 59 0.613312540597875655
## 39 61 0.627011170734861900
## 40 63 0.640900059623750851
## 41 72 0.654984566666004353
## 42 73 0.669270280951718588
## 43 80 0.698255788198095417
## 44 82 0.713181161332423819
## 45 83 0.713181161332423819
## 46 84 0.728565776717039149
## 47 87 0.744190776717039149
## 48 90 0.760319808975103761
## 49 92 0.776713251598054488
## 50 95 0.810046584931387814
## 51 97 0.810046584931387814
## 52 99 0.845134304229633426
## 53 100 0.863316122411451614
## 54 103 0.882184046939753497
## 55 105 0.901791890077008440
## 56 110 0.921791890077008458
## 57 111 0.962608216607620637
## 58 112 0.983884812352301519
## 59 117 1.027363073221866818
## 60 118 1.050090345949139525
## 61 122 1.073346159902627939
## 62 123 1.073346159902627939
## 63 126 1.097736403805066985
## 64 132 1.122736403805066896
## 65 133 1.148377429446092446
## 66 139 1.174693218919776738
## 67 140 1.201720245946803711
## 68 143 1.229498023724581612
## 69 144 1.258069452296010082
## 70 151 1.287481217001892553
## 71 153 1.317784247304922829
## 72 156 1.349034247304922829
## 73 162 1.413550376337180836
## 74 164 1.448033134957870560
## 75 177 1.483747420672156148
## 76 182 1.483747420672156148
## 77 186 1.522208959133694695
## 78 200 1.562208959133694730
## 79 201 1.603875625800361249
## 80 216 1.647353886669926437
## 81 228 1.692808432124472073
## 82 231 1.740427479743519523
## 83 242 1.793059058690888108
## 84 250 1.848614614246443466
## 85 260 1.907438143658208185
## 86 278 1.969938143658208185
## 87 283 2.036604810324874837
## 88 287 2.108033381753446456
## 89 314 2.184956458676523106
## 90 340 2.268289792009856587
## 91 357 2.359198882918947415
## 92 378 2.459198882918947504
## 93 384 2.570309994030058665
## 94 389 2.695309994030058665
## 95 392 2.838167136887201458
## 96 411 3.004833803553867977
## 97 467 3.204833803553868155
## 98 553 3.454833803553868155
## 99 587 3.788167136887201636
## 100 991 4.288167136887201636
## 101 999 5.288167136887201636
print(data.frame(time=mock.fit$time,lambda = cumprod(1-lambda)))#KM ESTIMATOR
## time lambda
## 1 1 0.9854014598540146164
## 2 2 0.9781021897810219246
## 3 3 0.9708029197080292327
## 4 4 0.9635036496350364299
## 5 7 0.9416058394160583545
## 6 8 0.9124087591240874762
## 7 10 0.8978102189781020925
## 8 11 0.8905109489051092897
## 9 12 0.8759124087591239061
## 10 13 0.8613138686131385224
## 11 15 0.8467153284671531388
## 12 16 0.8394160583941604470
## 13 18 0.8175182481751823715
## 14 19 0.8029197080291969879
## 15 20 0.7883211678832114933
## 16 21 0.7737226277372262206
## 17 22 0.7664233576642335288
## 18 24 0.7518248175182480342
## 19 25 0.7299270072992699587
## 20 27 0.7225540072255399737
## 21 29 0.7151810071518099887
## 22 30 0.7004350070043499077
## 23 31 0.6856890068568899377
## 24 33 0.6783160067831599527
## 25 35 0.6709430067094299677
## 26 36 0.6635700066356999827
## 27 42 0.6561970065619699977
## 28 43 0.6488240064882400127
## 29 44 0.6414510064145100277
## 30 45 0.6340780063407800426
## 31 48 0.6267050062670499466
## 32 49 0.6193320061933200726
## 33 51 0.5972130059721300066
## 34 52 0.5750940057509400516
## 35 53 0.5677210056772100666
## 36 54 0.5529750055297500966
## 37 56 0.5456020054560201116
## 38 59 0.5382290053822901266
## 39 61 0.5308560053085600305
## 40 63 0.5234830052348301566
## 41 72 0.5161100051611000605
## 42 73 0.5087370050873701866
## 43 80 0.4939910049399101055
## 44 82 0.4866180048661801205
## 45 83 0.4866180048661801205
## 46 84 0.4791315740220850605
## 47 87 0.4716451431779899450
## 48 90 0.4640379634493126959
## 49 92 0.4564307837206354468
## 50 95 0.4412164242632809485
## 51 97 0.4412164242632809485
## 52 99 0.4257351462189553071
## 53 100 0.4179945071967924863
## 54 103 0.4101078183817586376
## 55 105 0.4020664886095672852
## 56 110 0.3940251588373759328
## 57 111 0.3779424992929932281
## 58 112 0.3699011695208018757
## 59 117 0.3538185099764191710
## 60 118 0.3457771802042278741
## 61 122 0.3377358504320364663
## 62 123 0.3377358504320364663
## 63 126 0.3294983906654014305
## 64 132 0.3212609308987663947
## 65 133 0.3130234711321313590
## 66 139 0.3047860113654963232
## 67 140 0.2965485515988613430
## 68 143 0.2883110918322262517
## 69 144 0.2800736320655912159
## 70 151 0.2718361722989561802
## 71 153 0.2635987125323211444
## 72 156 0.2553612527656861086
## 73 162 0.2388863332324160649
## 74 164 0.2306488734657810569
## 75 177 0.2224114136991460211
## 76 182 0.2224114136991460211
## 77 186 0.2138571285568711677
## 78 200 0.2053028434145963144
## 79 201 0.1967485582723214887
## 80 216 0.1881942731300466354
## 81 228 0.1796399879877718098
## 82 231 0.1710857028454969286
## 83 242 0.1620811921694181590
## 84 250 0.1530766814933393616
## 85 260 0.1440721708172605919
## 86 278 0.1350676601411817945
## 87 283 0.1260631494651030249
## 88 287 0.1170586387890242275
## 89 314 0.1080541281129454440
## 90 340 0.0990496174368666604
## 91 357 0.0900451067607878630
## 92 378 0.0810405960847090795
## 93 384 0.0720360854086302960
## 94 389 0.0630315747325515124
## 95 392 0.0540270640564727220
## 96 411 0.0450225533803939384
## 97 467 0.0360180427043151549
## 98 553 0.0270135320282363645
## 99 587 0.0180090213521575775
## 100 991 0.0090045106760787887
## 101 999 0.0000000000000000000