斯特雷姆
卡普兰·梅尔 估计员。 不调整时变混杂或信息权利审查。 逆概率加权（IPW）Kaplan-Meier . 也被称为调整卡普兰迈耶（AKME）。 也称为生存危险的饱和（非参数）IPW-MSM估计。 该估计器根据暴露/截尾模型拟合（倾向得分）对每个观察值进行反向加权。 生存的有界逆概率加权（B-IPW）估计量 . 直接估计生存率（无危险），也基于暴露/审查模型拟合（倾向得分）。 逆概率加权边际结构模型（IPW-MSM） 对于危险函数，映射到生存。 目前，只有当协变量是时间点和制度/规则指标时，才允许进行逻辑回归。 该估计器也基于暴露/截尾模型拟合（倾向得分），但允许在多个时间点上进行额外的平滑处理，并包括可选的权重稳定。 序贯G-计算（GCOMP） . 也称为递归G-计算公式或Q-学习。 直接估计结果模型，同时调整时变混杂。 评估可以按遵循的规则/制度进行分层，也可以在所有规则/制度中合并。 目标最大似然估计量 纵向数据。 也称为目标最小损失估计量。 以初始结果模型为目标的双稳健半参数有效估计量（GCOMP）与IPW相适应。 迭代目标最大似然估计（I-TMLE） 纵向数据。 适应连续的G计算，然后迭代地执行所有池Q的目标，直到收敛。
事件发生时间（可能）正确审查的数据必须采用长格式。 每行必须包含主题标识符( 身份证件 )以及当前时间的整数指示器( t )，例如，日、周、月、年。 该包假定每行中协变量的时间顺序为 固定的 根据( 身份证件 , t , 我 , C , A , N , 是的 )，其中 我 --时变和基线协变量。 C --权利审查事件的指标 t ；这可以是单个分类列，也可以是多个二进制列。 A --暴露（治疗）时间 t ；它可以是多元的（不止一列），每列可以是二进制的、分类的或连续的。 N --时间点被监控指标 电话+1 （二进制）。 是的 --事件发生时间结果（二进制）。
请注意，假设随访结束时( Y[t]=1 )或者观察到了正确的审查事件。 分类审查对于用一个列（变量）表示所有的审查事件非常有用。
单独的模型适用于观察到的审查、曝光和监测机制。 每个模型可以根据时间或任何其他用户指定的分层标准进行分层（适合单独的模型）。 每个层都由一个逻辑表达式定义，该表达式选择观测数据中的特定观测值/行（strata）。 默认情况下，所有模型都使用 GLM公司 具有 二项式 家庭（逻辑回归）。 或者，模型拟合也可以使用中实现的任何机器学习算法来执行 水-3 （更快的分配惩罚 GLM公司 , 随机森林 , 梯度助推器 和 深层神经网络 ). 最后，我们可以通过交叉验证从一组H2O学习者中选出最佳模型。 网格搜索( 水网格 )允许用户友好的模型规范和拟合多维参数空间的各种停止标准（随机，离散，最大数量的模型，最大时间分配等）。 许多模型的集合可以组合成一个单独的（更强大的）模型 超级学习者 ( 过氧化氢组件 ).
安装和文件
开发工具 :: 安装github( ' osofr/stremr公司 ' , 构建渐晕 = 错误的 ) 开发工具 :: 安装github( " Rdatatable/数据表 " ) 如果 ( " 包装：h2o " %百分比 search（））分离( " 包装：h2o " , 卸载 = 真的 ) 如果 ( " 水 " %百分比 行名称（installed.packages（）））remove.packages( " 水 " ) # 接下来，下载H2O包依赖项：
包装 <- c( " 方法 " , " 随机反演 " , " 统计 " , " 绘图 " , " RCurl公司 " , " jsonlite公司 " , " 工具 " , " 实用工具 " ) 新建.pkgs <- 塞迪夫( 包装 ，行名称（installed.packages（）） 如果 （长度( 新建.pkgs ))安装.packages( 新建.pkgs ) # 下载并安装R: 安装.packages( " 水 " , 类型 = " 来源 " , 回购 = （三）( " https://s3.amazonaws.com/h2o-release/h2o/master/3636/R " ))) ? 斯特雷姆 - 包裹 ? 导入数据 ? 适应倾向 ? 获取IP权重 ? 监督 ? 外科手术 ? survMSM公司 ? fitSeqGcomp公司 ? 菲特姆莱 ? 菲特特姆莱 自动报告：
报告( 小田 , NPMSM公司 = 列表 ( surv1 , 苏尔2 ), MSM公司 = MSM.IPAW公司 , GCOMP公司 = 列表 ( gcomp_测试1 , gcomp_测试2 ), TMLE公司 = 列表 ( tmle_est_par1酒店 , tmle_est_par2酒店 ), 附加数据表 = 真的 , RDtables公司 = 获取( MSM.IPAW公司 , t、 句点.RDs = c( 12 , 15 ), 盖茨斯 = 真的 ), WTtables公司 = 获取\u wtsummary( MSM.IPAW公司 $ wts U数据 , 截止线 = c( 0 , 0.5 , 1 , 10 , 20 , 30 , 40 , 50 , 100 , 150 ), 规则 = 真的 ), 文件名 = " sim.data.example.fup " , 标题 = " 自定义报表标题 " , 作者 = " 作者姓名 " , 你的传说 = 0.99 , x峎 = 9.5 ) 
模拟数据示例
要求( " 斯特雷姆 " )要求( " 数据表 " )数据( 奥达诺森斯 ) 奥塔特 <- as.data.table公司( 奥达诺森斯 , 钥匙 = c( 身份证件 , t )) 奥塔特 [, ( " N、 t分钟1 " ) : = 转移（获取( " N " ), n = 1升 , 类型 = " 滞后 " , 填满 = 1升 ), 通过 = 身份证件 ] 奥塔特 [, ( " TI.tminus1 " ) : = 转移（获取( " TI公司 " ), n = 1升 , 类型 = " 滞后 " , 填满 = 1升 ), 通过 = 身份证件 ] 小田 <- 导入数据( 奥塔特 , 身份证件 = " 身份证件 " , t = " t " , 共济会 = c( " 高A1c " , " 最后一个 " , " N、 t分钟1 " ), 香肠 = " C " , TRT公司 = " TI公司 " , 监视器 = " N " , 结果 = " Y、 第1部分 " ) 奥塔特 [, ( " TI.set1 " ) : = 1升 ] 奥塔特 [, ( " TI.set0 " ) : = 0升 ] G格式 <- " C+TI+N~高A1C+lastNat1 "
玻璃纤维 <- " TI~CVD+highA1c+N.tminus1 "
gform_显示器 <- " N~1个 " 分层 <- 列表 ( C = c( " t<16 " , " t==16 " )) 小田 <- 适应倾向( 小田 , G格式 = G格式 , 玻璃纤维 = 玻璃纤维 , gform_显示器 = gform_显示器 , 分层 = 分层 ) 要求( " 马格里特 " ) 阿克梅街1号 <- 获取IP权重( 小田 , 介入 = " TI.set1 " ) % > %监测( 小田 ) % $ % IPW估计
阿克梅街1号 IPW.St.1 <- 获取IP权重( 小田 , 介入 = " TI.set1 " ) % > %监督( 小田 ) IPW.St.1 [] wts.日期1 <- 获取IP权重( 小田 = 小田 , 介入 = " TI.set1 " , 规则名称 = " 第1阶段 " ) wts.日期0 <- 获取IP权重( 小田 = 小田 , 介入 = " TI.set0 " , 规则名称 = " TI0 " ) 调查 <- survMSM公司( 列表 ( wts.日期1 , wts.日期0 ), 小田 , t Tu断裂 = c( 1 : 8 , 12 , 16 ) - 1 ,) 调查 $ 圣 纵向时间到事件数据的序贯G-计算（GCOMP）和目标最大似然估计（TMLE）。
t、 苏尔夫 <- c( 0 : 15 ) Qforms表格 <- 代表国际( " Q、 kplus1~CVD+highA1c+N+lastNat1+TI+TI.tminus1 " ，（最大值( t、 苏尔夫 ) + 1 )) 参数 = 列表 ( fit.包装 = " 速度GLM " , 拟合算法 = " glm公司 " ) 总成本 <- fitSeqGcomp公司( 小田 , t tu周期 = t、 苏尔夫 , 介入 = " TI.set1 " , Qforms表格 = Qforms表格 , 参数 = 参数 , 按规则分层 = 错误的 ) 泰米尔 <- 菲特姆莱( 小田 , t tu周期 = t、 苏尔夫 , 介入 = " TI.set1 " , Qforms表格 = Qforms表格 , 参数 = 参数 , 按规则分层 = 真的 ) 泰米尔 [] 要求( " 多帕莱尔 " )注册中心( 核心 = 40 ) 数据表 :: 设置线程( 1 ) 泰米尔 <- 菲特姆莱( 小田 , t tu周期 = t、 苏尔夫 , 介入 = " TI.set1 " , Qforms表格 = Qforms表格 , 参数 = 参数 , 按规则分层 = 真的 , 平行 = 真的 ) 机器学习算法
设置所有选项( fit.包装 = " 水 " , 拟合算法 = " 随机森林 " )要求( " 水 " ) 水 :: 水初始值( N区 = - 1 ) 小田 <- 适应倾向( 小田 , G格式 = G格式 , 玻璃纤维 = 玻璃纤维 , gform_显示器 = gform_显示器 , 分层 = 分层 ) 参数\u TRT = 列表 ( fit.包装 = " 水 " , 拟合算法 = " gbm公司 " , ntrees公司 = 50 , 学习率 = 0.05 , 采样率 = 0.8 , 采样率 = 0.8 , 平衡级 = 真的 ) 参数 = 列表 ( fit.包装 = " 速度GLM " , 拟合算法 = " glm公司 " ) 参数监视器 = 列表 ( fit.包装 = " 速度GLM " , 拟合算法 = " glm公司 " ) 小田 <- 适应倾向( 小田 , G格式 = G格式 , 分层 = 分层 , 参数 = 参数 , 玻璃纤维 = 玻璃纤维 , 参数\u TRT = 参数\u TRT , gform_显示器 = gform_显示器 , 参数监视器 = 参数监视器 ) 参数 = 列表 ( fit.包装 = " 水 " , 拟合算法 = " 随机森林 " , ntrees公司 = 100 , 学习率 = 0.05 , 采样率 = 0.8 , 采样率 = 0.8 , 平衡级 = 真的 ) 埃斯特姆 <- 菲特姆莱( 小田 , t tu周期 = t、 苏尔夫 , 介入 = " TI.set1 " , Qforms表格 = Qforms表格 , 参数 = 参数 , 按规则分层 = 真的 )