Âm mưu dự đoán khác nhau từ coxph sống và rms cph

Tôi đã tạo phiên bản nâng cấp hơi riêng của thuật ngữ mà tôi sử dụng trong ví dụ này, bạn có thể tìm thấy nó ở đây . Trước đây tôi đã đăng trên SO nhưng tôi càng nghĩ về nó tôi tin rằng điều này có lẽ liên quan nhiều hơn đến việc giải thích mô hình mối nguy hiểm Cox Proportional so với mã hóa thực tế.

Vấn đề

Khi tôi nhìn vào một biểu đồ tỷ lệ rms packagerủi ro, tôi hy vọng sẽ có một điểm tham chiếu trong đó khoảng tin cậy tự nhiên là 0 và đây là trường hợp khi tôi sử dụng cph () từ nhưng không phải khi tôi sử dụng coxph () từ survival package. Là hành vi đúng bởi coxph () và nếu vậy điểm tham chiếu là gì? Ngoài ra, biến giả trong coxph () có một khoảng và giá trị khác với ?$e^0$

Thí dụ

Đây là mã kiểm tra của tôi:

# Load libs
library(survival)
library(rms)

# Regular survival
survobj <- with(lung, Surv(time,status))

# Prepare the variables
lung$sex <- factor(lung$sex, levels=1:2, labels=c("Male", "Female"))
labels(lung$sex) <- "Sex"
labels(lung$age) <- "Age"

# The rms survival
ddist <- datadist(lung)
options(datadist="ddist")
rms_surv_fit <- cph(survobj~rcs(age, 4)+sex, data=lung, x=T, y=T)

Các lô cph

Mã này:

termplot2(rms_surv_fit, se=T, rug.type="density", rug=T, density.proportion=.05,
          se.type="polygon", yscale="exponential", log="y", 
          xlab=c("Age", "Sex"), 
          ylab=rep("Hazard Ratio", times=2),
          main=rep("cph() plot", times=2),
          col.se=rgb(.2,.2,1,.4), col.term="black")

đưa ra âm mưu này:

Các lô coxph

Mã này:

termplot2(surv_fit, se=T, rug.type="density", rug=T, density.proportion=.05, 
          se.type="polygon", yscale="exponential", log="y", 
          xlab=c("Age", "Sex"), 
          ylab=rep("Hazard Ratio", times=2),
          main=rep("coxph() plot", times=2),
          col.se=rgb(.2,.2,1,.4), col.term="black")

đưa ra âm mưu này:

Cập nhật

Như @Frank Harrell đã đề xuất và sau khi điều chỉnh cùng với gợi ý trong nhận xét gần đây của anh ấy, tôi đã nhận được:

p <- Predict(rms_surv_fit, age=seq(50, 70, times=20), 
             sex=c("Male", "Female"), fun=exp)
plot.Predict(p, ~ age | sex,
             col="black",
             col.fill=gray(seq(.8, .75, length=5)))

Điều này đã cho cốt truyện rất hay này:

Tôi đã xem lại độ tương phản.rms một lần nữa sau khi nhận xét và thử mã này đã đưa ra một âm mưu ... mặc dù có lẽ còn nhiều điều có thể được thực hiện :-)

w <- contrast.rms(rms_surv_fit, 
                  list(sex=c("Male", "Female"), 
                       age=seq(50, 70, times=20)))

xYplot(Cbind(Contrast, Lower, Upper) ~ age | sex, 
       data=w, method="bands")

Đã cho cốt truyện này:

CẬP NHẬT 2

Giáo sư Thernau rất tốt bụng khi bình luận về những âm mưu thiếu thắt lưng tự tin:

Các spline làm mịn trong coxph, giống như các spline trong gam, được chuẩn hóa để tổng (dự đoán) = 0. Vì vậy, tôi không có một điểm cố định mà phương sai cực nhỏ.

Mặc dù tôi chưa quen với GAM nhưng điều này dường như trả lời câu hỏi của tôi: đây dường như là một vấn đề về giải thích.

Tôi nghĩ chắc chắn nên có một điểm trong đó khoảng tin cậy là độ rộng bằng không. Bạn cũng có thể thử một cách thứ ba là chỉ sử dụng các hàm rms. Có một ví dụ dưới tệp trợ giúp cho độ tương phản.rms để có được biểu đồ tỷ lệ nguy hiểm. Nó bắt đầu với nhận xét # hiển thị các ước tính riêng biệt bằng cách điều trị và quan hệ tình dục. Bạn sẽ cần phải chống đăng nhập để có được tỷ lệ.