Valikkopaikka: Analysis_Survival_Cox regressio.
Tämä toiminto sopii Cox proportional hazards model for survival-aika (time-to-event) tuloksia yhden tai useamman ennustajia.
Cox regressio (tai suhteellinen vaaran regressio) on menetelmä, jolla tutkitaan vaikutus useita muuttujia, kun aika on määritetty tapahtuma tapahtuu. Kuoleman kaltaisen lopputuloksen yhteydessä tätä kutsutaan eloonjäämisanalyysin Cox-regressioksi., Menetelmä ei ota mitään erityistä ”selviytymisen malli”, mutta se ei ole todella parametrinen, koska se olettaa, että vaikutukset ennustaja muuttujat, kun selviytyminen on vakio yli ajan ja ovat lisäaineen yksi mittakaavassa. Älä käytä Cox regressiota ilman tilastotieteilijän ohjeita.
Jos Cox-regressiota koskevat oletukset täyttyvät, tämä funktio antaa paremmat arviot eloonjäämisen todennäköisyyksistä ja kumulatiivisesta vaarasta kuin Kaplan-Meier-funktion antamat arviot.,
Vaara-ja vaara-suhteet
Kumulatiivinen vaara kerrallaan t on riski kuolla välillä aika 0 ja hetkellä t, ja perhe funktio ajanhetkellä t on todennäköisyys elossa aika t (ks. myös Kaplan-Meier-arvio).
kertoimia, Coxin regressio liittyvät vaaran; positiivinen kerroin osoittaa, huonompi ennuste ja negatiivinen kerroin osoittaa, suojaava vaikutus muuttujan kanssa, johon se liittyy.,
vaarat suhde liittyy ennustaja muuttuja on antanut eksponentti sen kerroin; tämä on antanut luottamusvälillä alla ”kerroin tiedot” vaihtoehto StatsDirect. Vaarasuhdetta voidaan pitää myös suhteellisena kuolleisuutena, KS.Armitage and Berry (1994). Tulkinta vaarat suhde riippuu mitta-asteikko ennustaja muuttuja kysymys, nähdä Sahai ja Kurshid (1996) lisätietoja suhteellinen riski vaaroja.,
Aika-riippuvainen ja kiinteä muuttujien
prospektiivisissa tutkimuksissa, kun henkilöitä on seurattu yli ajan, muuttujien arvot voivat muuttua ajan myötä. Kovariaatit voidaan siis jakaa kiinteään ja ajasta riippuvaiseen. Kovariaatti on ajasta riippuvainen, jos sen arvojen ero kahden eri koehenkilön välillä muuttuu ajan myötä: esimerkiksi seerumin kolesteroli. Kovariaatti on kiinteä, jos sen arvot eivät voi muuttua ajan, esimerkiksi sukupuolen tai rodun, myötä. Elintapatekijät ja fysiologiset mittaukset, kuten verenpaine, ovat yleensä ajasta riippuvaisia., Kumulatiivinen altistus, kuten tupakointi, ovat myös ajasta riippuvaisia, mutta joutuvat usein epätarkka kahtiajako, eli ”alttiina” vs. ”ei-altistuneet” sijaan mielekkäämpää ”, kun altistuminen”. Aikariippuvaisten kovariaattien käsittelystä ei ole olemassa kovia ja nopeita sääntöjä. Jos harkitset Cox-regression käyttöä, sinun on pyydettävä tilastotieteilijän apua, mieluiten tutkimuksen suunnitteluvaiheessa.
Malli analyysi ja vääristymiä
testi yleinen tilastollinen merkitsevyys malli annetaan kohdassa ”malli analyysi” vaihtoehto., Tässä todennäköisyyttä, chi-neliö tilastotieto on laskettu vertaamalla poikkeavuus (- 2 * log-todennäköisyys) mallin, jossa kaikki muuttujien olet määrittänyt, vastaan malli, jossa kaikki muuttujien laskenut. Yksilön panos muuttujien malli voi olla arvioinnissa merkitystä testata, koska jokaisen kertoimen tärkein tuotos; tämä edellyttää riittävän suuri otoskoko.
Poikkeavuus on miinus kaksi kertaa kirjautuminen todennäköisyyden suhde mallit asennettu, suurimman uskottavuuden (Hosmer ja Lemeshow, 1989 ja 1999; Cox ja Snell, 1989; Pregibon, 1981)., Arvo lisäämällä parametrin Cox malli on testattu vähentämällä vääristymiä-mallin uusi parametri poikkeavuuden malli ilman uusi parametri, ero on sitten testattu vastaan khiin neliö-jakaumaa vapausasteiden välistä erotusta vapausasteita vanhoja ja uusia malleja. Malli analyysi vaihtoehto testejä malli määrität vastaan mallin, jossa on vain yksi parametri, siepata; tämä testien yhteenlaskettu arvo määritelty ennustajia/muuttujien malli.,
Joitakin tilastollisia paketteja tarjoavat vaiheittain Coxin regressio, joka suorittaa järjestelmällistä testit eri yhdistelmiä ennustajia/muuttujien. Automaattinen malli rakennus menettelyjä, kuten nämä voivat olla harhaanjohtavia, koska ne eivät pidä reaalimaailman merkitystä jokainen ennustaja, tästä syystä StatsDirect ei sisällä portaittain valinta.
Selviytyminen ja kumulatiivinen vaara hinnat
selviytyminen/survivorship-toiminto ja kumulatiivinen vaara-toiminto (kuten keskusteltu Kaplan-Meier) lasketaan suhteessa perustasoon (alin arvo muuttujien) kullakin ajanhetkellä., Coxin regressio antaa paremman arvion näistä toiminnoista kuin Kaplan-Meier-menetelmä, kun oletukset Coxin malli täyttyvät ja fit-malli on vahva.
annetaan mahdollisuus ’centre jatkuva muuttujien’ – tämä tekee selviytymisen ja vaaran toiminnot suhteessa tarkoittaa jatkuvien muuttujien sijaan suhteessa pienin, joka on yleensä kaikkein mielekäs vertailu.
Jos sinulla on binary/dikotominen ennustajia teidän malli ja sinulle annetaan mahdollisuus laskea selviytymisen ja kumulatiivinen vaarat kullekin muuttujalle erikseen.,
Tietojen valmistelu
- Aika-tapahtuma, esim. aika, aihe, tutkimuksessa selvisi.
- tapahtuma / sensorikoodi – tämän on oltava ≥1 (tapahtuma(tapahtumia) tapahtui) tai 0 (ei tapahtumaa tutkimuksen lopussa, eli ”oikea sensuroitu”).
- Strata-esim. keskikoe monikeskustutkimusta varten. Ole varovainen valintasi kerrostumissa; pyytää neuvoja Tilastotieteilijä.
- Ennustajia – nämä ovat myös nimitystä muuttujien, joka voi olla useita muuttujia, jotka on ajateltu liittyvän tapahtuman tutkittavana. Jos predikaattori on luokittajamuuttuja, jossa on enemmän kuin kaksi luokkaa (ts., ordinal tai nominal) sitten sinun täytyy ensin käyttää dummy muuttuja funktio muuntaa sen sarjan binary luokat.
Teknistä validointia
StatsDirect optimoi kirjautuminen todennäköisesti liittyy Coxin regressiomalli, kunnes muutos loki todennäköisyys kanssa toistoja on vähemmän kuin tarkkuus että voit määrittää valintaikkunassa, joka tulee näkyviin juuri ennen laskenta tapahtuu (Lawless, 1982; Kalbfleisch ja Prentice, 1980; Harris, 1991; Cox ja Oakes, 1984; Le, 1997; Hosmer ja Lemeshow, 1999).,
laskenta-asetukset-valintaikkuna, jolla arvo asetetaan (oletus 10000) ”JAKAMINEN SUHDE”; tämä on suhde suhteellisuuden vakiona aika t, jonka yläpuolella StatsDirect jakaa tietosi enemmän kerrostumissa ja laskea laajennettu todennäköisyys ratkaisu, nähdä Bryson ja Johnson (1981).
siteistä vastaa Breslow ’ n approksimaatio (Breslow, 1974).
Cox-Snell-residuaalit lasketaan Coxin ja Oakesin (1984) mukaan. Cox-Snell, Martingale ja deviance-residuaalit lasketaan Collettin (1994) mukaan.,
lähtötilanteen elossaoloaika ja kumulatiivinen vaaraluku lasketaan joka kerta. Suurin todennäköisyys käytetään menetelmiä, jotka ovat iteratiivisia, kun on enemmän kuin yksi kuolema/tapahtuma havaittuna ajankohtana (Kalbfleisch ja Prentice, 1973). Muut ohjelmistot voivat käyttää vähemmän tarkkoja Breslow estimaatteja näihin toimintoihin.
Esimerkki
Armitage ja Berry (1994, s. 479).
Test workbook (Survival worksheet: Stage Group, Time, Censor).
seuraavat tiedot kuvaavat elinaikaa päivinä diffuusia histiosyyttistä lymfoomaa sairastavien potilaiden tutkimukseen tulon jälkeen., Kahta eri potilasryhmää, vaiheen III potilaita ja vaiheen IV tautia sairastavia, verrataan keskenään.,2ee13″>0
Alternatively, open the test workbook using the file open function of the file menu., Valitse sitten Cox-regressio analysointivalikon elossaoloanalyysiosiosta. Valitse sarake merkitty ”Aika”, kun kysytään kertaa, valitse ”Sensuroida” kun kysytään death/ sensuuri, klikkaa peruuta-painiketta, kun kysyttiin kerrostumissa ja kun kysyttiin ennustajia ja valitse sarake merkitty ”Vaiheessa ryhmä”.
esimerkiksi:
Cox (proportional hazards) regressio
80 aiheista 54 tapahtumia,
Poikkeavuus (todennäköisyys suhde) chi-square = 7.634383 df = 1 P = 0.0057
Vaiheessa ryhmä b1 = 0.96102 z = 2.492043 P = 0.,0127
Cox regression – hazard ratios
| Parameter | Hazard ratio | 95% CI |
| Stage group | 2.614362 | 1.227756 to 5.566976 |
| Parameter | Coefficient | Standard Error |
| Stage group | 0.96102 | 0.,385636 |
Cox regressio – malli analyysi
Kirjautua todennäköisyys kanssa ei muuttujien = -207.554801
Kirjautua todennäköisyyttä kaikkien mallin muuttujien = -203.737609
Poikkeavuus (todennäköisyys suhde) chi-square = 7.634383 df = 1 P = 0.0057
merkitys testin kerroin b1 testaa nollahypoteesia, että se on nolla ja siten, että sen eksponentti on yksi., Luottamusväli exp(b1) on siis luottamusväli suhteellinen kuolleisuus tai riskisuhde; näin ollen voimme päätellä, että 95% luottamusvälillä kuolleisuus vaiheessa 4 syövistä on noin 3 kertaa, ja vähintään 1,2 kertaa, riski vaiheesta 3 syöpiä.
Vastaa