1. 包括cluster(ID)不改变参数的点估计。但是，它确实改变了计算标准误差的方式。

   更多细节可以在 Therneau & Grambsch 的书扩展 Cox 模型中找到，第 8.2 章。请注意，在他们的示例中，它们method = "breslow"用作平局的校正，但对于默认值 ( method = "efron")，将使用类似的 se 计算，并在摘要中显示为“robust se”。

2. 如果使用集群（ID），则对标准误差进行“稳健”估计，并测量受试者之间可能的依赖性（例如，通过标准误差和方差分数）。另一方面，不使用 cluster(ID) 会对每个观察结果施加独立性，并且在数据中假设更多“信息”。用更专业的术语来说，参数的得分函数不会改变，但这个得分的方差会改变。一个更直观的论点是，对 100 个个体的 100 个观察比对 10 个个体（或集群）的 100 个观察提供更多的信息。

3. 确实模糊。简而言之，+frailty(ID)适合coxph()具有伽马或对数正态随机效应和非参数基线危险/强度的标准脆弱模型。frailtypack使用参数基线（也是具有样条或分段常数函数的灵活版本）并且还适合更复杂的模型，例如相关脆弱性、嵌套脆弱性等。

最后，+cluster()在某种程度上符合 GEE 的精神，因为您从具有独立观察的可能性中获取分数方程，并对标准误差使用不同的“稳健”估计器。

编辑：感谢@Ivan 关于帖子清晰度的建议。

这是survival我发现有用的包小插曲的答案 - 它链接在您链接到的第一个问题的第一个答案中：

具有时变协变量的 Cox 模型的最佳软件包

他们指的是长格式数据设置，或主题重复条目的数据。

这种数据设置的一个常见问题是我们是否需要担心相关数据，因为给定的主题有多个观察结果。答案是否定的，我们没有。原因是这种表示只是一种编程技巧。任何时间点的似然方程只使用任何主题的一个副本，程序每次都挑选出正确的数据行。此规则有两个例外：

• 当受试者有多个事件时，事件的行在受试者内是相关的，并且需要聚类方差。
• 当主题以重叠的间隔出现时。然而，这几乎总是一个数据错误，因为它对应于对象的两个副本同时出现在同一阶层中，例如，她可能会在聚会上遇到自己。

他们给出的例子是

fit <- coxph(Surv(time1, time2, status) ~ age + creatinine, data=mydata)

建议如果您提供两次（期初和期末）Surv而不是一次，coxph()将找出其余的。