如何将累积危险概率转换为 conditional/marginal 概率？
How can I convert cumulative hazard probabilities to conditional/marginal probabilities?
我正在使用 Python 中 Lifelines 的 AalenAdditiveFitter 构建预测模型，以预测事件是否会发生以及何时发生。
T（时间）=月
C（事件）= 1是，0是否
此外，我还有 8 个正在使用的属性。
aaf = AalenAdditiveFitter(coef_penalizer=1., fit_intercept=True)
cx1 = aaf.fit(trainX.drop(['index'], axis=1), duration_col='T', event_col='C',show_progress=True)
我能够使用以下方法建立一个相对稳定的模型并获得累积危险概率：
stestXsurvived = cx1.predict_cumulative_hazard(stestX.drop(['T','C'], axis=1))
有没有办法直接从 AalenAdditiveFitter 过程中获得 conditional/marginal 概率？
所以在进行更多挖掘之后，我可以假设以下内容吗？
- 我从 Aalen Additive 模型中获得了累积风险概率
- 为了让他们得到每个月的条件概率，我可以取前一个月的差值：P(t) - P(t-1)
这是基于 https://quant.stackexchange.com/questions/21816/cumulative-vs-marginal-probability-of-default
上发布的答案
不确定这个解决方案是否如此简单，请帮忙。
如果您按照建议的方式区分累积风险，您将得到 h(t)，即风险。 h(t) 确实相当于离散时间持续时间的条件概率。但是请注意：对于连续持续时间，h(t) 是 rate（例如，它可以大于 1）。
顺便说一句：我不记得 Aalen 的加法模型是否是半参数的。然而，如果是这样，累积风险的价值只会在我们看到失败的月份发生变化。它不会影响您的（月份 - 上个月）计算 - 差异将变为 0，当我们没有观察到故障时，半参数持续时间模型总是这种情况。
如果你想节省计算能力，你可以在一个失败时间（称为t_k）计算累积风险，然后从这次失败之前的最后一次失败时间（称为这个）的累积风险中减去它t_k-1)。你得到的答案是一样的，一旦你全神贯注于新数量告诉你的内容：如果累积风险在 t_k-1 和 t 之间变化那么大，以及半参数风险（因此，累积风险也）仅在我们看到失败时更新，那么落在 t_k-1 和 t 之间的任何时间点的风险都必须为 0.
我正在使用 Python 中 Lifelines 的 AalenAdditiveFitter 构建预测模型，以预测事件是否会发生以及何时发生。
T（时间）=月 C（事件）= 1是，0是否
此外，我还有 8 个正在使用的属性。
aaf = AalenAdditiveFitter(coef_penalizer=1., fit_intercept=True)
cx1 = aaf.fit(trainX.drop(['index'], axis=1), duration_col='T', event_col='C',show_progress=True)
我能够使用以下方法建立一个相对稳定的模型并获得累积危险概率：
stestXsurvived = cx1.predict_cumulative_hazard(stestX.drop(['T','C'], axis=1))
有没有办法直接从 AalenAdditiveFitter 过程中获得 conditional/marginal 概率？
所以在进行更多挖掘之后，我可以假设以下内容吗？
- 我从 Aalen Additive 模型中获得了累积风险概率
- 为了让他们得到每个月的条件概率，我可以取前一个月的差值：P(t) - P(t-1)
这是基于 https://quant.stackexchange.com/questions/21816/cumulative-vs-marginal-probability-of-default
上发布的答案不确定这个解决方案是否如此简单，请帮忙。
如果您按照建议的方式区分累积风险，您将得到 h(t)，即风险。 h(t) 确实相当于离散时间持续时间的条件概率。但是请注意：对于连续持续时间，h(t) 是 rate（例如，它可以大于 1）。
顺便说一句：我不记得 Aalen 的加法模型是否是半参数的。然而，如果是这样，累积风险的价值只会在我们看到失败的月份发生变化。它不会影响您的（月份 - 上个月）计算 - 差异将变为 0，当我们没有观察到故障时，半参数持续时间模型总是这种情况。
如果你想节省计算能力，你可以在一个失败时间（称为t_k）计算累积风险，然后从这次失败之前的最后一次失败时间（称为这个）的累积风险中减去它t_k-1)。你得到的答案是一样的，一旦你全神贯注于新数量告诉你的内容：如果累积风险在 t_k-1 和 t 之间变化那么大，以及半参数风险（因此，累积风险也）仅在我们看到失败时更新，那么落在 t_k-1 和 t 之间的任何时间点的风险都必须为 0.