如何绘制survreg（R的包装存活率）生成的存活曲线？

我正试图拟合并绘制一个威布尔模型到生存数据。数据只有一个协变量，即队列，从2006年到2010年。那么，有什么想法可以添加到下面的两行代码中，以绘制2010年队列的生存曲线

library(survival)
s <- Surv(subSetCdm$dur,subSetCdm$event)
sWei <- survreg(s ~ cohort,dist='weibull',data=subSetCdm)

库（生存）
希望这有帮助，我没有犯一些误导性的错误：

从上面抄袭：

    #create a Surv object
    s <- with(lung,Surv(time,status))

    #plot kaplan-meier estimate, per sex
    fKM <- survfit(s ~ sex,data=lung)
    plot(fKM)

    #plot Cox PH survival curves, per sex
    sCox <- coxph(s ~ as.factor(sex),data=lung)
    lines(survfit(sCox,newdata=data.frame(sex=1)),col='green')
    lines(survfit(sCox,newdata=data.frame(sex=2)),col='green')

#创建一个Surv对象
s另一种选择是使用软件包
flexsurv
。这在
survival
软件包上提供了一些额外的功能，包括参数回归函数
flexsurvreg（）
有一个很好的绘图方法，可以满足您的要求

如上所述使用肺

#create a Surv object
s <- with(lung,Surv(time,status))

require(flexsurv)
sWei  <- flexsurvreg(s ~ as.factor(sex),dist='weibull',data=lung)
sLno  <- flexsurvreg(s ~ as.factor(sex),dist='lnorm',data=lung)   

plot(sWei)
lines(sLno, col="blue")

#创建一个Surv对象
这只是一个说明，使用以下代码：

lines(predict(sWei, newdata=list(sex=1),type="quantile",p=seq(.01,.99,by=.01)),seq(.99,.01,by=-.01),col="red")
lines(predict(sWei, newdata=list(sex=2),type="quantile",p=seq(.01,.99,by=.01)),seq(.99,.01,by=-.01),col="red")

这两个镜像序列，
seq（.01.99，by=.01）
和
seq（.99.01，by=-.01）
，是因为predict（）方法给出了事件分布f（t）的分位数，即f（t）的逆CDF值，而生存曲线绘制的是1-（f的CDF）与t。换句话说，如果你绘制p与预测（p），你将得到CDF，如果你绘制1-p与预测（p），你将得到生存曲线，即1-CDF。以下代码更为透明，并可概括为p值的任意向量：

pct <- seq(.01,.99,by=.01)
lines(predict(sWei, newdata=list(sex=1),type="quantile",p=pct),1-pct,col="red")
lines(predict(sWei, newdata=list(sex=2),type="quantile",p=pct),1-pct,col="red")

pct如果有人想在
ggplot2
生态系统中的卡普兰-迈耶曲线中添加威布尔分布，我们可以执行以下操作：

library(survminer)
library(tidyr)

s <- with(lung,Surv(time,status))
fKM <- survfit(s ~ sex,data=lung)
sWei <- survreg(s ~ as.factor(sex),dist='weibull',data=lung)

pred.sex1 = predict(sWei, newdata=list(sex=1),type="quantile",p=seq(.01,.99,by=.01))
pred.sex2 = predict(sWei, newdata=list(sex=2),type="quantile",p=seq(.01,.99,by=.01))

df = data.frame(y=seq(.99,.01,by=-.01), sex1=pred.sex1, sex2=pred.sex2)
df_long = gather(df, key= "sex", value="time", -y)

p = ggsurvplot(fKM, data = lung, risk.table = T)
p$plot = p$plot + geom_line(data=df_long, aes(x=time, y=y, group=sex))

库（survminer）
图书馆（tidyr）
s如果您想使用生存函数本身
s（t）
（而不是其他答案中使用的逆生存函数
s^{-1}（p）
），我已经编写了一个函数来实现Weibull分布的情况（遵循与
pec:：predictSurvProb
函数族相同的输入：

survreg.predictSurvProb <- function(object, newdata, times){
  shape <- 1/object$scale # also equals 1/exp(fit$icoef[2])
  lps <- predict(object, newdata = newdata, type = "lp")
  surv <- t(sapply(lps, function(lp){
    sapply(times, function(t) 1 - pweibull(t, shape = shape, scale = exp(lp)))
  }))
  
  return(surv)
}

survreg.predictSurvProb如果你发布一个完整的示例，我会尽力帮你弄清楚。我们需要SubSecDM对象。试试dput（SubSecDM）
？predict.survreg
.Tim，快速提问中有一些例子。如果你想重新创建上述内容，但不是按性别划分的子集…例如，开始时--sWei-Hi-Chris，我很困惑，抱歉，但可能其他回答者之一知道。如果不知道，那么可能是一个新问题。考虑到你的技巧，反转分位数序列（我在这里称之为
q.seq
）：如果我理解正确，
predict
期望的是死亡分位数，而不是存活率。因此，我认为最好提供
1-q.seq
，而不是
rev（q.seq）
。在你的情况下，这无关紧要，因为你的
q.seq
是对称的，从0.01死亡概率开始（=0.99生存率）到0.99（=0.01生存率）。但是如果你从，比如说，0.01到0.8死亡概率，这会有不同：你的互补序列应该是0.99…0.2，而不是0.8到0.01。
pct <- seq(.01,.99,by=.01)
lines(predict(sWei, newdata=list(sex=1),type="quantile",p=pct),1-pct,col="red")
lines(predict(sWei, newdata=list(sex=2),type="quantile",p=pct),1-pct,col="red")

library(survminer)
library(tidyr)

s <- with(lung,Surv(time,status))
fKM <- survfit(s ~ sex,data=lung)
sWei <- survreg(s ~ as.factor(sex),dist='weibull',data=lung)

pred.sex1 = predict(sWei, newdata=list(sex=1),type="quantile",p=seq(.01,.99,by=.01))
pred.sex2 = predict(sWei, newdata=list(sex=2),type="quantile",p=seq(.01,.99,by=.01))

df = data.frame(y=seq(.99,.01,by=-.01), sex1=pred.sex1, sex2=pred.sex2)
df_long = gather(df, key= "sex", value="time", -y)

p = ggsurvplot(fKM, data = lung, risk.table = T)
p$plot = p$plot + geom_line(data=df_long, aes(x=time, y=y, group=sex))

survreg.predictSurvProb <- function(object, newdata, times){
  shape <- 1/object$scale # also equals 1/exp(fit$icoef[2])
  lps <- predict(object, newdata = newdata, type = "lp")
  surv <- t(sapply(lps, function(lp){
    sapply(times, function(t) 1 - pweibull(t, shape = shape, scale = exp(lp)))
  }))
  
  return(surv)
}

sWei <- survreg(s ~ as.factor(sex),dist='weibull',data=lung)
times <- seq(min(lung$time), max(lung$time), length.out = 1000)
new_dat <- data.frame(sex = c(1,2))
surv <- survreg.predictSurvProb(sWei, newdata = new_dat, times = times)

lines(times, surv[1, ],col='red')
lines(times, surv[2, ],col='red')