source/posts/survival_analysis_in_fintech.org

   1 #+date: <2016-12-10 15:49:02 +0800>
   2 #+filetags: :R:fintech:analysis:
   3 #+title: Survival analysis in fintech
   4
   5 It is useful to apply the concepts from survival data analysis in a fintech environment. After all, there will
   6 usually be a substantial amount of time-to-event data to choose from.
   7 This can be website visitors leaving the site, loans being repaid early,
   8 clients becoming delinquent - the options are abound.
   9
  10 A visual analysis of such data can easily be obtained using R.
  11
  12 #+BEGIN_SRC R
  13 library(survminer)
  14 library(survival)
  15 library(KMSurv)
  16 ## Create survival curve from a survival object
  17 #' Status is 1 if the event was observed at TimeAfterStart
  18 #' It is set to 0 to mark the right-censored time
  19 vintage.survival <- survfit(Surv(TimeAfterStart,Status) ~ Vintage, data = my.dataset)
  20 ## Generate cumulative incidence plot
  21 ci.plot <- ggsurvplot(vintage.survival,
  22                       fun = function(y) 1-y,
  23                       censor = FALSE,
  24                       conf.int = FALSE,
  25                       ylab = 'Ratio event observed',
  26                       xlab = 'Time after open',
  27                       break.time.by = 30,
  28                       legend = "bottom",
  29                       legend.title = “",
  30                       risk.table = TRUE,
  31                       risk.table.title = 'Number of group',
  32                       risk.table.col ="black”,
  33                       risk.table.fontsize = 4,
  34                       risk.table.height = 0.35 )
  35 #+END_SRC
  36
  37 This produces a plot with a survival curve per group, and also includes
  38 the risk table. This table shows how many members of the group for whom
  39 no event was observed are still being followed at each point in time.
  40 Labelling these "at risk" stems of course from the original concept of
  41 survival analysis, where the event typically is the passing of the
  42 subject.
  43
  44 The =fun = function(y) 1-y= part actually reverses the curve, resulting
  45 in what is known as a cumulative incidence curve.
  46
  47 #+CAPTION: Survival/incidence curve and risk table
  48 #+ATTR_HTML :width 442 :class img-fluid :alt Survival/incidence curve and risk table
  49 [[file:../assets/surv-curve-risk-table.png]]
  50
  51 Underneath the plot, a risk table is added with no effort by adding
  52 =risk.table = TRUE= as parameter for =ggsurvplot=.
  53
  54 Checking the trajectory of these curves for different groups of
  55 customers (with a different treatment plan, to stick to the terminology)
  56 is an easy way to verify whether actions are having the expected result.