如何将累积危险概率转换为条件/边际概率？

Question

我正在使用Python中的Lifelines的AalenAdditiveFitter构建预测模型，以预测事件是否发生以及何时发生。

T（时间）=几个月 C（事件）= 1是，0不是

此外，我正在使用8个属性。

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)

我能够建立一个相对稳定的模型，并使用以下方法获得累积的危险概率：

stestXsurvived = cx1.predict_cumulative_hazard(stestX.drop(['T','C'], axis=1))

有没有办法直接从AalenAdditiveFitter程序获得条件/边际概率？

因此，在进行一些挖掘后，我可以假设以下内容吗？

1. 我从Aalen Additive模型中获得累积风险概率
2. 为了让他们了解每个月的条件概率，我可以采取前一个月的差异：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

不确定此解决方案是否如此简单，请帮助。

Answer 1

如果您以建议的方式区分累积危险，则会得到h（t），即危险。 h（t）确实等于离散持续时间的条件概率。但请注意：对于连续持续时间，h（t）是速率（例如，它可以大于1）。

顺便说一句：我不记得Aalen的附加模型是否是半参数的。但是，如果是这样，累积危险只会在我们看到失败的月份内发生变化。它不会影响你的（月 - 上个月）计算 - 差异将变为0，当我们观察到没有失败时，半参数持续时间模型总是如此。

如果你想节省计算能力，你可以在一个失败时间（称为t_k）中累积危险，并在此之前的最后一次失败时间从累积危险中减去它（称之为t_k-1）。一旦你围绕新数量告诉你的内容，如果累积危险在t_k-1和t之间变化很大，以及半参数危害（因此，累积危险也只在我们看到失败时更新，然后在t_k-1和t之间的任何时间点都必须有0的危险。