如何将累积风险概率转换为条件/边际概率？

Question

我正在使用Python生命线中的AalenAdditiveFitter构建一个预测模型，以预测事件是否会发生以及何时发生。在

T（时间）=月 C（event）=1表示是，0表示否

此外，我有8个属性，我正在使用。在

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：

^{pr2}$

有没有办法直接从AalenAdditiveFitter程序中得到条件概率/边际概率？在

所以，在做了更多的挖掘之后，我可以假设以下情况吗？在

1. 我从Aalen加性模型得到累积危险概率
2. 为了得到每个月的条件概率，我可以取前一个月的差：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，请帮助。在

Answer 1

如果你用你建议的方法来计算累积危险度，你就会得到h（t），危险度。h（t）确实是离散时间持续时间的条件概率。注意：对于连续的持续时间，h（t）是一个速率（例如，它可以大于1）。在

顺便说一句：我不记得Aalen的加法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故障的月份发生变化。它不会影响你的（上个月）计算，任何差异都将是0，这是通常情况下，半参数工期模型，当我们观察到没有失败。在

如果你想节省计算能力，你可以取一次失效的累积危险度（称之为tаk），并从上次失效前的累积危险度中减去（称之为tаk-1）。你得到的答案是一样的，一旦你把新的量告诉你：如果累积危险在t_k-1和t之间变化那么大，而半参数危险（因此，累积危险也）只有在我们看到故障时才会更新，那么任何时间点落在tˉk-1和t之间的危险度必须为0。在