meny plats: Analysis_Survival_Cox Regression.
denna funktion passar Cox proportionella farlighetsmodell för överlevnadstid (time-to-event) resultat på en eller flera prediktorer.
Cox regression (eller proportionell riskregression) är metod för att undersöka effekten av flera variabler när en viss händelse inträffar. I samband med ett resultat som död kallas detta Cox-regression för överlevnadsanalys., Metoden antar inte någon särskild ”överlevnadsmodell” men det är inte riktigt nonparametrisk eftersom det förutsätter att effekterna av prediktorvariablerna vid överlevnad är konstanta över tiden och är additiva i en skala. Du bör inte använda Cox-regression utan vägledning från en statistiker.
förutsatt att antagandena om Cox-regression är uppfyllda, kommer denna funktion att ge bättre uppskattningar av överlevnadssannolikheter och kumulativ fara än de som tillhandahålls av Kaplan-Meier-funktionen.,
risk-och riskförhållanden
kumulativ fara i taget t är risken att dö mellan tid 0 och tid t, och överlevnadsfunktionen vid tid t är sannolikheten att överleva till tid t (se även Kaplan-Meier-uppskattningar).
koefficienterna i en Cox-regression avser fara; en positiv koefficient indikerar en sämre prognos och en negativ koefficient indikerar en skyddande effekt av variabeln med vilken den är associerad.,
riskförhållandet i samband med en prediktorvariabel ges av exponenten för dess koefficient; detta ges med ett konfidensintervall under alternativet ”koefficientdetaljer” i StatsDirect. Riskförhållandet kan också ses som den relativa dödsgraden, se Armitage och Berry (1994). Tolkningen av riskförhållandet beror på mätskalan för prediktorvariabeln i fråga, se Sahai och Kurshid (1996) för ytterligare information om relativ risk för faror.,
tidsberoende och fasta kovariater
i prospektiva studier, när individer följs över tiden, kan kovariaternas värden förändras med tiden. Kovariater kan således delas in i fasta och tidsberoende. En kovariat är tidsberoende om skillnaden mellan dess värden för två olika ämnen ändras med tiden; t. ex. serumkolesterol. En kovariat är fast om dess värden inte kan ändras med tiden, t. ex. kön eller ras. Livsstilsfaktorer och fysiologiska mätningar som blodtryck är vanligtvis tidsberoende., Kumulativa exponeringar som rökning är också tidsberoende men tvingas ofta till en otydlig dikotomi, dvs. ”exponerad” mot ” inte exponerad ”istället för den mer meningsfulla”exponeringstiden”. Det finns inga hårda och snabba regler om hantering av tidsberoende kovariater. Om du överväger att använda Cox-regression bör du söka hjälp av en statistiker, helst vid undersökningens konstruktionsstadium.
modellanalys och avvikelse
ett test av modellens totala statistiska betydelse ges under alternativet ”modellanalys”., Här beräknas sannolikheten chi-square statistik genom att jämföra avvikelsen (- 2 * log Sannolikhet) för din modell, med alla kovariater du har angett, mot modellen med alla kovariater tappade. Kovariatens individuella bidrag till modellen kan bedömas utifrån det signifikanstest som ges med varje koefficient i huvudproduktionen. detta förutsätter en ganska stor provstorlek.
avvikelsen är minus två gånger loggen av sannolikhetsförhållandet för modeller utrustade med maximal sannolikhet (Hosmer och Lemeshow, 1989 och 1999; Cox och Snell, 1989; Pregibon, 1981)., Värdet av att lägga till en parameter till en Cox-modell testas genom att subtrahera modellens avvikelse med den nya parametern från modellens avvikelse utan den nya parametern. skillnaden testas sedan mot en chi-kvadratfördelning med frihetsgrader som är lika med skillnaden mellan de gamla och nya modellernas frihetsgrader. Alternativet modellanalys testar den modell du anger mot en modell med endast en parameter, avlyssna; detta testar det kombinerade värdet av de angivna prediktorer / kovariater i modellen.,
vissa statistiska paket erbjuder stegvis Cox-regression som utför systematiska tester för olika kombinationer av prediktorer/kovariater. Automatiska modellbyggnadsprocedurer som dessa kan vara vilseledande eftersom de inte anser att varje prediktor är verklig, av den anledningen innehåller StatsDirect inte stegvis val.
överlevnad och kumulativa farofrekvenser
överlevnads- / överlevnadsfunktionen och den kumulativa farofunktionen (som diskuteras under Kaplan-Meier) beräknas i förhållande till baslinjen (lägsta värde av kovariater) vid varje tidpunkt., Cox regression ger en bättre uppskattning av dessa funktioner än Kaplan-Meier-metoden när antagandena i Cox-modellen är uppfyllda och modellens passform är stark.
du får möjlighet att ”centrera kontinuerliga kovariater” – detta gör överlevnads-och farofunktioner i förhållande till medelvärdet av kontinuerliga variabler snarare än i förhållande till minimum, vilket vanligtvis är den mest meningsfulla jämförelsen.
om du har binära/dikotomösa prediktorer i din modell får du möjlighet att beräkna överlevnad och kumulativa risker för varje variabel separat.,
databeredning
- time-to-event, t.ex. tid som ett ämne i en försök överlevde.
- Event / censor code – detta måste vara ≥1 (Händelse(Er) hände) eller 0 (ingen händelse i slutet av studien, dvs ”rätt censurerad”).
- Strata – t.ex. mittkod för en multi-centre rättegång. Var försiktig med ditt val av lag; sök råd från en statistiker.
- prediktorer – dessa kallas också kovariater, vilket kan vara ett antal variabler som tros vara relaterade till händelsen som studeras. Om en prediktor är en klassificeringsvariabel med mer än två klasser (dvs., ordinal eller nominell) då måste du först använda dummy variabel funktion för att konvertera den till en serie av binära klasser.
Teknisk validering
StatsDirect optimerar log sannolikhet i samband med en Cox-regressionsmodell tills förändringen i log sannolikhet med iterationer är mindre än den precision som du anger i dialogrutan som visas precis innan beräkningen sker (Lawless, 1982; Kalbfleisch och Prentice, 1980; Harris, 1991; Cox och Oakes, 1984; Le, 1997; Hosmer och Lemeshow, 1999).,
dialogrutan beräkningsalternativ anger ett värde (standard är 10000) för ”SPLITTRINGSFÖRHÅLLANDE”; detta är förhållandet i proportionalitetskonstant vid en tidpunkt t över vilken StatsDirect kommer att dela dina data i mer strata och beräkna en utökad sannolikhetslösning, se Bryson och Johnson, (1981).
Slipsar hanteras av breslows approximation (Breslow, 1974).
Cox-Snell residualer beräknas enligt Cox och Oakes (1984). Cox-Snell, Martingale och deviance residuals beräknas enligt Collett (1994).,
baslinjeöverlevnad och kumulativa farofrekvenser beräknas vid varje tidpunkt. Maximala sannolikhetsmetoder används, vilka är iterativa när det finns mer än en död/händelse vid en observerad tidpunkt (Kalbfleisch och Prentice, 1973). Annan programvara kan använda mindre exakta Breslow uppskattningar för dessa funktioner.
exempel
Från Armitage och Berry (1994, s. 479).
Testa arbetsbok (Överlevnadsblad: Scengrupp, tid, Censor).
följande data representerar överlevnaden i dagar efter inträde till studien av patienter med diffus histiocytisk lymfom., Två olika grupper av patienter, de med stadium III och de med stadium IV-sjukdom, jämförs.,2ee13″>0
Alternatively, open the test workbook using the file open function of the file menu., Välj sedan Cox-regression från avsnittet överlevnadsanalys i analysmenyn. Välj kolumnen märkt ” tid ”när du frågas om tiderna, välj” censur ”när du frågas om död/ censur, klicka på Avbryt-knappen när du frågas om strata och när du frågas om prediktorer och välj kolumnen märkt”Scengrupp”.
för detta exempel:
Cox (proportionella faror) regression
80 personer med 54 händelser
avvikelse (sannolikhetsförhållande) chi-square = 7.634383 DF = 1 p = 0.0057
Steggrupp 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 regressionsanalys – modell för analys
Logga sannolikhet med några kovariater = -207.554801
Logga sannolikhet med alla modell kovariater = -203.737609
Avvikelse (likelihood ratio) chi-square = 7.634383 df = 1 P = 0.0057
Den betydelse test för koefficienten b1 testar nollhypotesen att det är lika med noll och därför att dess exponent lika med ett., Konfidensintervallet för exp (b1)är därför konfidensintervallet för den relativa dödligheten eller riskkvoten. vi kan därför dra slutsatsen med 95% förtroende för att dödsgraden från stadium 4 cancer är ungefär 3 gånger och minst 1.2 gånger risken från stadium 3 cancer.
Lämna ett svar