你当然没有边际比例风险。这并不意味着您没有条件比例风险！

为了更深入地解释，请考虑以下情况：假设我们有第 1 组，它非常同质并且具有恒定风险 = 1。现在在第 2 组中，我们有一个异质种群；50% 的风险低于第 1 组（危险 = 0.5），其余的风险高于第 1 组（危险 = 3）。显然，如果我们知道第 2 组中的每个人的风险较高还是较低，那么每个人都会有成比例的风险。这就是条件危害。

但是让我们假设我们不知道（或忽略）第 2 组中的某个人是处于高风险还是低风险。然后他们的边际分布是混合模型的边际分布：他们有风险 = 0.5 的概率为 50%，他们有风险 = 3 的概率为 50%。下面，我提供了一些 R 代码以及两个风险的图。

# Function for computing the hazards from 
# a 50/50 heterogenious population
mix_hazard <- function(x, hzd1 = 0.5, hzd2 = 3){
  x_dens <- 0.5 * dexp(x, hzd1) + 0.5 * dexp(x, hzd2)
  x_s    <- 1 - ( 0.5 * pexp(x, hzd1) + 0.5 * pexp(x, hzd2)) 
  hzd    <- x_dens/x_s
  return(hzd)
}

x <- 0:100/20
plot(x, mix_hazard(x), 
     type = 'l',
     col = 'purple', ylim = c(0, 2), 
     xlab = 'Time', 
     ylab = 'Hazard', 
     lwd = 2)
lines(x, rep(1, length(x)), col = 'red', lwd = 2)

legend('topright', 
       legend = c('Homogeneous',
                  'Heterogeneous'), 
       lwd = 2,
       col = c('red', 'purple'))

我们清楚地看到了非比例边际危害！但请注意，如果我们知道第 2 组中的受试者是高风险还是低风险受试者，我们就会有成比例的风险。

那么这对你有什么影响呢？好吧，你提到你有很多关于这些主题的其他协变量。很有可能当我们忽略这些协变量时，风险是不成比例的，但是在对它们进行调整后，您可能会捕捉到不同组中异质性的原因，并解决您的非比例风险问题。

奇妙的问题奇妙的答案。我要补充一点，您应该考虑一个模型做出许多不同的假设，例如对数正态生存模型。对 y_axis 使用正常的反函数而不是 log-log。仍然需要协变量调整。因此，还要查看按治疗分层的残差的正态性。这在我的课程笔记结束时的案例研究中有所介绍，网址为http://biostat.mc.vanderbilt.edu/rms