马尔科夫链既往我在系列文章《手把手带你复现一篇一区9.1分肌少症和马尔科夫链》的文章已经有过介绍，它的特点是：“未来只取决于现在，与过去无关”。主要研究的是状态和概率的变化。比如我在手机打字：你nih，会出现很多选项：你好，你和，你还等等，这就是软件统计了咱们打各个字符的概率，这个就是马尔科夫链的一个应用。自然语言处理：用马尔科夫链生成文本（比如根据前一个词预测下一个词）。
在既往文章中咱们介绍的是由吸收状态的马尔科夫链，问题来了，什么是吸收状态的马尔科夫链？这个就是相当于有一个结局变量，比如在《手把手带你复现一篇一区9.1分肌少症和马尔科夫链》这篇文章中死亡是它的结局变量，分析了肌少症在不同时期的转换最后死亡的关系，没有结局变量也是能做的，研究的是协变量对概率转换的影响，下面我来演示一下
先导入数据和R包
library(scitable)library(ggscitable)library(tidyverse)setwd("E:/公众号文章2025年/charls+马尔科夫链")bc2<-read.csv('bcmsm.csv',header=T)str(bc2)
这个是个非常简单的数据，而且是模拟数据，不对临床操作产生建议，time是时间，state这里是我自定义的，我把肾功能的肌酐按低到高，把肾功能分成了3个状态，然后看这三个状态转换的概率，drinkl：是否饮酒。这里我们仍然使用一阶的马尔科夫链，
下面咱们进行分析，其实很简单，和之前的参数差不多，添加一个参数death_state=F就可以了
out2<-sci_msm(data=bc2,ID="ID",time="time",state="state",digits=7,death_state=F,username=username,token=token)咱们把相关数据提取出来
tb2<-out2[["tb2"]]
看下转移人数
out2[["statetable"]]
看下不同年份的转移率，这里没有吸收状态，要定义一个观察年限，咱们这里是长年限是4年，所以我定义成4年
probability.msm(out2,time=c(2,4),tot=4)
结果还生成了平均时间和总停留时间，下面咱们来看下喝酒对肾功能转换的影响，在cov这里把喝酒添加进去
out3<-sci_msm(data=bc2,ID="ID",time="time",state="state",digits=7,death_state=F,cov="drinkl",username=username,token=token)基础的分析和前面一样，我来介绍概率分析，假设我想知道喝酒对状态1（就是没有肾病患者）的肾功能转换影响，state=1表示观察状态1的转变，没有吸收状态要指定观察总时间tot=4,
#没有吸收状态要指定观察总时间tot=4,out4<-probability.msm(out3,time=c(1,2,3,4),cov="drinkl",state=1,tot=4)提取数据 data5<-out4[["data"]]
上图可以看到各种转变，假设我对中间的1转成2感兴趣
data5$cov<-as.factor(data5$cov)data5$cov<-factor(data5$cov,labels=c("nodrinkl","drinkl"))names(data5)<-c("State11","State12","State13","t","cov")colors<-c("nodrinkl"="#FFD1DC","drinkl"="#FF4D4D")绘图
ggplot(data5,aes(x=t,y=State12,color=cov,group=cov))+geom_point(size=5)+geom_line(size=1.2)+scale_color_manual(values=colors)+labs(title="State1 → State2",x="observation interval",y="possibility ")+theme_minimal()+theme(legend.title=element_text(size=12,face="bold"),legend.text=element_text(size=10),plot.title=element_text(hjust=0.5,size=14,face="bold"),axis.text.x=element_text(size=12),axis.text.y=element_text(size=12),legend.position=c(0.85,0.2),panel.grid.minor=element_blank())+guides(color=guide_legend(title=NULL))
可以看到，相对于没有喝酒，喝酒更容易（更高概率）导致肾功能向恶化转变（模拟数据不构成临床指导）
