Sự khác biệt giữa sản lượng coefph của coex và và (exp) của coxph trong R là gì?

14

Tôi đã cố gắng phân biệt chính xác đầu ra "coef" và "(exp) coef" của coxph có nghĩa gì. Có vẻ như "(exp) coef" là so sánh của biến đầu tiên trong mô hình theo nhóm được gán trong lệnh.

Làm thế nào để hàm coxph đến các giá trị cho "coef" và "(exp) coef"?

Ngoài ra, làm thế nào coxph xác định các giá trị này khi có kiểm duyệt liên quan?

r survival interpretation

— annemphillip
nguồn

21

Nếu bạn có một biến giải thích duy nhất, giả sử nhóm điều trị, mô hình hồi quy của Cox được trang bị coxph(); hệ số ( coef) đọc là hệ số hồi quy (trong ngữ cảnh của mô hình Cox, được mô tả sau đây) và hàm mũ của nó mang lại cho bạn sự nguy hiểm trong nhóm điều trị (so với nhóm đối chứng hoặc nhóm giả dược). Ví dụ: nếu , thì nguy cơ là , nghĩa là 16,5%. $\hat\beta=-1.80$ $\exp(-1.80)=0.165$

Như bạn có thể biết, chức năng nguy hiểm được mô hình hóa là

h (t) = h_{0} (t) \exp (β^{'} x)

$h(t)=h_0(t)\exp(\beta'x)$

trong đó là mối nguy cơ bản. Các mối nguy hiểm phụ thuộc nhiều vào các hiệp phương sai và là tỷ lệ các mối nguy hiểm giữa hai cá nhân có giá trị khác nhau bởi một đơn vị khi tất cả các hiệp phương sai khác được giữ không đổi. Tỷ lệ rủi ro của hai cá nhân và là và được gọi là tỷ lệ nguy hiểm (hoặc tỷ lệ tỷ lệ mới mắc). Tỷ lệ này được giả định là không đổi theo thời gian, do đó tên của rủi ro tỷ lệ . $h_0(t)$ $\exp(\beta_1)$ $x_1$ $i$ $j$ $\exp\big(\beta'(x_i-x_j)\big)$

Để lặp lại câu hỏi trước đó của bạn survreg, ở đây, dạng không được chỉ định; chính xác hơn, đây là một mô hình bán tham số trong đó chỉ có các tác động của hiệp phương sai được tham số hóa, và không phải là hàm nguy hiểm. Nói cách khác, chúng tôi không đưa ra bất kỳ giả định phân phối nào về thời gian tồn tại. $h_0(t)$

Các tham số hồi quy được ước tính bằng cách tối đa hóa khả năng đăng nhập một phần được xác định bởi

ℓ = \sum_{f} \log (\frac{\exp (β^{'} x_{f})}{\sum_{r (f)} \exp (β^{'} x_{r})})

$\ell=\sum_f\log\left(\frac{\exp(\beta'x_f)}{\sum_{r(f)}\exp(\beta'x_r)}\right)$

trong đó tổng kết đầu tiên là tất cả các trường hợp tử vong hoặc thất bại , và tổng kết thứ hai là trên tất cả các đối tượng vẫn còn sống (nhưng có nguy cơ) tại thời điểm thất bại - đây được gọi là rủi ro được đặt ra . Nói cách khác, có thể được hiểu là khả năng hồ sơ nhật ký cho sau khi loại bỏ (hay nói cách khác, LL trong đó đã được thay thế bằng các chức năng của giúp tối đa hóa khả năng với liên quan đến cho một vectơ cố định ). $f$ $r(f)$ $\ell$ $\beta$ $h_0(t)$ $h_0(t)$ $\beta$ $h_0(t)$ $\beta$

Về kiểm duyệt, không rõ liệu bạn có đề cập đến kiểm duyệt trái hay không (như có thể là trường hợp nếu chúng tôi xem xét nguồn gốc cho thang thời gian sớm hơn thời điểm quan sát bắt đầu, còn được gọi là kiểm duyệt chậm ) hoặc kiểm duyệt phải. Trong mọi trường hợp, chi tiết hơn về tính toán của các hệ số hồi quy và cách gói tồn tại xử lý kiểm duyệt có thể được tìm thấy trong Therneau và Grambsch, Mô hình dữ liệu sinh tồn (Springer, 2000). Terry Therneau là tác giả của gói S trước đây. Một hướng dẫn trực tuyến có sẵn.

Phân tích sinh tồn trong R , bởi David Diez, cung cấp một giới thiệu tốt về Phân tích sống sót trong R. Một tổng quan ngắn gọn về thử nghiệm cho các tham số hồi quy được đưa ra p. 10. Hy vọng rằng, điều này sẽ giúp làm rõ trợ giúp trực tuyến được trích dẫn bởi @onestop , "hệ số các hệ số của bộ dự báo tuyến tính, nhân các cột của ma trận mô hình." Đối với sách giáo khoa được áp dụng, tôi khuyên bạn nên Phân tích dữ liệu y tế bằng S-PLUS , bởi Everitt và Rabe-Hesketh (Springer, 2001, chương 16 và 17), từ đó phần lớn những điều trên xuất phát từ đó. Một tài liệu tham khảo hữu ích khác là phần phụ lục của John Fox về Cox Proportional-Hazards Regression for Survival Data . $\chi^2$

— chl
nguồn

4

+1, đây là một câu trả lời thực sự hữu ích cho một câu hỏi khá đơn giản và dễ hiểu. Tôi đặc biệt đánh giá cao các liên kết đến các tài nguyên để biết thêm. NB liên kết đến hướng dẫn trực tuyến của Terry Therneau đã chết; Một gói để phân tích sinh tồn trong S có thể là một liên kết trực tiếp đến cùng một vật liệu.

— gung - Phục hồi Monica

5

Để trích dẫn tài liệu cho phương thức in cho đối tượng coxph, thu được bằng R bằng cách gõ ?survival::print.coxph:

coefficients các hệ số của bộ dự báo tuyến tính, nhân các cột của ma trận mô hình.

Đó là tất cả các tài liệu mà tác giả của gói cung cấp. Gói không chứa hướng dẫn sử dụng hoặc họa tiết gói. R không được thiết kế để thân thiện với người dùng và tài liệu giả định rằng bạn đã hiểu các phương pháp thống kê liên quan.

Tôi giả sử rằng coefcột đưa ra ở trên coefficientsvà exp(coef)cột là số mũ của các số này. Vì hồi quy Cox liên quan đến chức năng liên kết nhật ký, các hệ số là tỷ lệ rủi ro nhật ký . Do đó, lũy thừa chúng sẽ mang lại cho bạn tỷ lệ nguy hiểm.

— trên đỉnh
nguồn