R 用不同分布拟合生存密度曲线

我正在处理一些对数正态数据，当然，我想展示对数正态分布的结果比其他可能的分布有更好的重叠。基本上，我想用我的数据复制以下图表：

拟合密度曲线在

对数（时间）

上并置

链接图像的文本描述了拟合每个模型并获得以下参数的过程：

为此，我用上述分布拟合了四个天真的生存模型：

survreg(Surv(time,event)~1,dist="family")

并提取了形状参数（α）和系数（β）

关于这个过程，我有几个问题：

1） 这样做对吗？我已经查看了几个R包，但找不到一个作为内置函数绘制密度曲线的包，所以我觉得我一定忽略了一些显而易见的东西

2） 对数正态分布（μ和σ$^2$）对应的值是否只是截距的平均值和方差

3） 如何在R中创建类似的表？（可能这更像是一个堆栈溢出问题）我知道我可以手动

cbind

它们，但我更感兴趣的是从已安装的模型中调用它们

survreg

对象存储系数估计值，但调用

survreg.obj$coverties

会生成一个命名的数字向量（而不仅仅是一个数字）

4） 最重要的是，如何绘制类似的图形？我认为如果我只提取参数并在histrogram上绘制它们会相当简单，但到目前为止没有运气。这篇文章的作者说他根据参数估计了密度曲线，但我只得到了一个点估计——我遗漏了什么？我是否应该在绘图前根据分布手动计算密度曲线

我不知道如何在这种情况下提供mwe，但老实说，我只需要一个通用的解决方案，将多个密度曲线添加到生存数据中。另一方面，如果您认为这会有所帮助，请随意推荐一种mwe解决方案，我将尝试生产一种

谢谢你的意见

编辑：基于eclark的帖子，我取得了一些进展。我的参数是：

Dist = data.frame(
Exponential = rweibull(n = 10000, shape = 1, scale = 6.636684),
Weibull = rweibull(n = 10000, shape = 6.068786, scale = 2.002165),
Gamma = rgamma(n = 10000, shape = 768.1476, scale = 1433.986),
LogNormal = rlnorm(n = 10000, meanlog = 4.986, sdlog = .877)
)

然而，考虑到规模的巨大差异，我得到的是：

回到问题3，这就是我应该如何获得参数的方法吗？ 目前我就是这样做的（很抱歉弄得一团糟）：

---

我觉得我特别搞砸了对数正态分布，因为它不是标准的形状和系数串联，而是均值和方差；其思想是使用随机分布函数生成随机变量，然后用输出数据绘制密度函数，下面是一个您需要的示例：

require(ggplot2)
require(dplyr)
require(tidyr)

SampleData <- data.frame(Duration=rlnorm(n = 184,meanlog = 2.859,sdlog = .246)) #Asume this is data we have sampled from a lognormal distribution

#Then we estimate the parameters for different types of distributions for that sample data and come up for this parameters
#We then generate a dataframe with those distributions and parameters
Dist = data.frame(
  Weibull = rweibull(10000,shape = 1.995,scale = 22.386),
  Gamma = rgamma(n = 10000,shape = 4.203,scale = 4.699),
  LogNormal = rlnorm(n = 10000,meanlog = 2.859,sdlog = .246)
)

#We use gather to prepare the distribution data in a manner better suited for group plotting in ggplot2
Dist <- Dist %>% gather(Distribution,Duration)

#Create the plot that sample data as a histogram
G1 <- ggplot(SampleData,aes(x=Duration)) + geom_histogram(aes(,y=..density..),binwidth=5, colour="black", fill="white") 

#Add the density distributions of the different distributions with the estimated parameters
G2 <- G1 + geom_density(aes(x=Duration,color=Distribution),data=Dist)

plot(G2)

require（ggplot2）
需要（dplyr）
需要（三年）
谢谢你的回答。将数字插入配电发电机——一旦有人指出，这是非常明显的！但是，我相信您的代码显示的是插补分布的密度，而不是数据（比如
log（df$duration）
）。因此，我跳过了tidyr位，在运行intercept only模型后提取了形状和系数值，并使用
scale
缩放结果数据帧。不过，这并不完全正确。你能概括一下你的代码，使它与ggplot2一起工作吗？@sfsrc我不知道你的意思是什么，但做了一些调整，以反映直方图来自对数正态过程的一些样本数据。你能检查一下我在问题末尾添加的代码吗？你的代码可以很好地处理你输入的数据，但是我想我把参数和我的弄乱了。嗨，再次，基于Gregor的输入，我会接受这个作为解决方案，因为它满足了问题的这一部分。谢谢。您可能应该阅读
？survreg.distributions
，其中的注释是生存威布尔分布的参数化与
rweibull
中的不同。我也不相信你做的伽马参数化是正确的——这一点似乎比对数正态分布还要远。虽然绘制分布图是一个很好的问题，但如果你在估计参数/找到正确的参数化方面遇到困难，那么这可能是交叉验证中的一个新问题。看起来eclark的回答很好地解决了您的问题，即如何创建一个您想要的图形-现在您需要帮助了解您的分布情况。@Gregor我想您对eclark的贡献是正确的，我只是做了编辑，以便有人指出我的错误时，我能获得更多的洞察力。你的编辑提出了一个全新的问题。你应该只问一个新问题——如果你认为有帮助，你可以复制/粘贴这个问题并链接到它。
require(ggplot2)
require(dplyr)
require(tidyr)

SampleData <- data.frame(Duration=rlnorm(n = 184,meanlog = 2.859,sdlog = .246)) #Asume this is data we have sampled from a lognormal distribution

#Then we estimate the parameters for different types of distributions for that sample data and come up for this parameters
#We then generate a dataframe with those distributions and parameters
Dist = data.frame(
  Weibull = rweibull(10000,shape = 1.995,scale = 22.386),
  Gamma = rgamma(n = 10000,shape = 4.203,scale = 4.699),
  LogNormal = rlnorm(n = 10000,meanlog = 2.859,sdlog = .246)
)

#We use gather to prepare the distribution data in a manner better suited for group plotting in ggplot2
Dist <- Dist %>% gather(Distribution,Duration)

#Create the plot that sample data as a histogram
G1 <- ggplot(SampleData,aes(x=Duration)) + geom_histogram(aes(,y=..density..),binwidth=5, colour="black", fill="white") 

#Add the density distributions of the different distributions with the estimated parameters
G2 <- G1 + geom_density(aes(x=Duration,color=Distribution),data=Dist)

plot(G2)