دانلود پایان نامه

۲ ۸ ۰.۰ ۰
۱۲ TF 3 4 0.0 Tf-Ts+1
Creating a new data matrix.
Maximum number of cases: 1000

Using data file(s): data.txt
Free format. Separation character(s): default.

Reading data file: data.txt
Read records: 137

Created a new data matrix.
Number of cases: 137
Number of variables: 12
Missing values in data file(s): none.

End of creating new variables. Current memory: 371261 bytes.
—————————————————————————
edef(…)
Creating new single episode data. Max number of transitions: 100.
Definition: org=ORG, des=DES, ts=TS, tf=TF
SN Org Des Episodes Weighted Duration TS Min TF Max Excl
—————————————————————-
۱ ۴۸۲.۰۰ ۰.۰۰ ۲۲۷.۲۲ ۱۰۷.۰۰ ۱۰۷ ۰ ۰ ۱
۱ ۲۴۳.۰۰ ۰.۰۰ ۱۲۱.۴۳ ۳۰.۰۰ ۳۰ ۱ ۰ ۱
Sum 137 137.00
Number of episodes: 137
Successfully created new episode data.
—————————————————————————
rate(…)=1
Transition rate models. Current memory: 371413 bytes.

Model: Cox (partial likelihood)

Maximum likelihood estimation.
Algorithm 5: Newton (I)
Number of model parameters: 6
Type of covariance matrix: 2
Maximum number of iterations: 20
Convergence criterion: 1
Tolerance for norm of final gradient: 1e-006
Mue of Armijo condition: 0.2
Minimum of step size value: 1e-010
Scaling factor: -1

Log-likelihood of exponential null model: -235.116
Changed scaling factor for log-likelihood: -0.01
Using default starting values.
Sorting episodes according to ending times.

Convergence reached in 18 iterations.
Number of function evaluations: 47 (47,47)

Maximum of log likelihood: -122.725
Norm of final gradient vector: 8.65831
Last absolute change of function value: 7.3095e-013
Last relative change in parameters: 1.87786e-005

Numerical problems.
۱ : overflow/underflow in exp() or log().
۴ : Hessian not positive definite.

Idx SN Org Des MT Variable Coeff Error C/Error Signif
———————————————————————–
۱ ۱ ۰ ۱ A Size 0.0025 0.0017 1.4709 0.8587
۲ ۱ ۰ ۱ A Capital 0.0000 0.0000 -0.5372 0.4089
۳ ۱ ۰ ۱ A Innovation -14.3678 1095.8097 -0.0131 0.0105
۴ ۱ ۰ ۱ A Entry -0.0866 0.0555 -1.5584 0.8809
۵ ۱ ۰ ۱ A Capitalinten -0.0001 0.0000 -1.3736 0.8304
۶ ۱ ۰ ۱ A Growth -0.0291 0.0284 -1.0236 0.6940

Log likelihood (starting values): -139.2301
Log likelihood (final estimates): -122.7252
—————————————————————————
Current memory: 330832 bytes. Max memory used: 391353 bytes.
End of program. Tue Feb 19 23:48:47 2013

پیوست۲- برآورد حد محصول (کاپلان مایر)
الف) دستورات برنامه

nvar (
dfile = data.txt,
Size = c2,
Capital = c3,
Innovation = c4,
Entry = c5,
Capital inten = c6,
Growth = c7,
Ts = c8,
Tf = c9,

#define additional variables

ORG = 0,
DES = if eq (Tf,500) then 0 else 1,
TS = 0,
TF = Tf-Ts+1,
);

edef (
ts = TS,
tf = TF,
org = ORG,
des = DES,
);

ple (

) = dkm.ple;

ب) دستورات ترسیم نمودار بقای حد محصول
nvar(
dfile = dkm.ple,
Time = c3,
G = c7,
SE = c8,
UBnd = G+1.96,
LBnd = G-1.96,
);

psfile = dkmplot.ps;

psetup(
pxlen = 90,
pylen = 50,
pxa = 0,400,
pya = 0,1,
);

plxa (sc=60,ic=7);
plya (sc=0.25);

plot (lt=3,dir=1) = Time,UBnd;
plot (lt=3,dir=1) = Time,LBnd;
plot (lt=1,dir=1) = Time,G;

pltext (xy=186,0.5) = “Product Limit Survivor Function”;
pxlabel = “Time in Months”;
pylabel = “S (t) “;

ج) خروجی کاپلان مایر

# SN 1. Transition: 0,1 – Product-Limit Estimation

Leave a comment