Buenas tardes,

Podría publicar código reproducible y ciertamente lo haré si todos están de acuerdo en que algo está mal, pero en este momento creo que mi pregunta es bastante simple y alguien me indicará el camino correcto.

Estoy trabajando en un conjunto de datos como este:

created_as_free_user     t     c
                 <fctr> <int> <int>
1                  true    36     0
2                  true    36     0
3                  true     0     1
4                  true    28     0
5                  true     9     0
6                  true     0     1
7                  true    13     0
8                  true    19     0
9                  true     9     0
10                 true    16     0

Instalé un modelo de regresión de Cox como este:

fit_train = coxph(Surv(time = t,event = c) ~ created_as_free_user ,data = teste)
summary(fit_train)

Y recibido:

Call:
coxph(formula = Surv(time = t, event = c) ~ created_as_free_user, 
    data = teste)

  n= 9000, number of events= 1233 

                            coef exp(coef) se(coef)      z Pr(>|z|)    
created_as_free_usertrue -0.7205    0.4865   0.1628 -4.426 9.59e-06 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

                         exp(coef) exp(-coef) lower .95 upper .95
created_as_free_usertrue    0.4865      2.055    0.3536    0.6693

Concordance= 0.511  (se = 0.002 )
Rsquare= 0.002   (max possible= 0.908 )
Likelihood ratio test= 15.81  on 1 df,   p=7e-05
Wald test            = 19.59  on 1 df,   p=9.589e-06
Score (logrank) test = 20.45  on 1 df,   p=6.109e-06

Hasta aquí todo bien. Siguiente paso: predecir los resultados en nuevos datos. Entiendo los diferentes tipos de predicciones que predict.coxph me puede dar (o al menos creo que sí). Usemos el tipo = "lp":

head(predict(fit_train,validacao,type = "lp"),n=20)

Y obten:

     1           2           3           4           5           6           7           8           9          10 
-0.01208854 -0.01208854 -0.01208854 -0.01208854 -0.01208854 -0.01208854 -0.01208854 -0.01208854 -0.01208854 -0.01208854 
         11          12          13          14          15          16          17          18          19          20 
-0.01208854 -0.01208854  0.70842049 -0.01208854 -0.01208854 -0.01208854 -0.01208854 -0.01208854 -0.01208854 -0.01208854 

OKAY. Pero cuando miro los datos que estoy tratando de estimar:

# A tibble: 9,000 × 3
   created_as_free_user     t     c
                 <fctr> <int> <int>
1                  true    20     0
2                  true    12     0
3                  true     0     1
4                  true    10     0
5                  true    51     0
6                  true    36     0
7                  true    44     0
8                  true     0     1
9                  true    27     0
10                 true     6     0
# ... with 8,990 more rows

Me hace confundir ...

El tipo = "lp" no se supone que te dé las predicciones lineales? Para estos datos anteriores que estoy tratando de estimar, dado que la variable created_as_free_user es igual a verdadera, ¿me equivoco al esperar que la predicción type = "lp" sea exactamente -0.7205 (el coeficiente del modelo anterior)? ¿De dónde vino el -0.01208854? Sospecho que es una especie de situación de escala, pero no pude encontrar la respuesta en línea.

Mi objetivo final es la h (t) dada por el tipo de predicción = "esperado", pero no estoy tan cómodo usándola porque usa este valor -0.01208854 que no entiendo completamente.

Muchas gracias