机器算法验证 - 我应该如何解释 Cox 比例风险模型中的交互项？ - 吾爱随笔录

我应该如何解释 Cox 比例风险模型中的交互项？

机器算法验证生存相互作用

2022-03-21 16:42:41

我应该如何解释 Cox 比例风险模型输出中 2 个连续预测变量的以下交互项？

X 和 Y 相互作用的风险比 > 1，这意味着其对数（原始系数）为 0-1（~0.16）。单个项目的 HR 小于 1，系数 X=-0.18，Y=-0.11。

    |   Variable                   | HR (s.e.)     | p value  
-----------------------------------------------------------  
    1 A (5 points)                 |0.756 (0.088)  |    0.001 |      
    2 B (5 points)                 |1.379 (0.11)   |    0.001 |      
    3 X  (10 points)               |0.837 (0.033)  |    0.0011|      
    4 Y  (1 point)                 |0.895 (0.03)   |     0.001|      
    5 X (10 points)x Y (1 point)   |1.016 (0.006)  |    0.011 |

X 增加 10 个点，Y=0 的效果是将“死亡”率降低 16%。Y 增加 1 点，X=0，死亡率降低 10.5%。

Y 增加 1 点对 X 增加 10 点对死亡率的影响是什么？

X 的范围是 0 到 90。Y 的范围是 0 到 10。

Y 增加 1 点，X 增加 10 点的效果是从 16% 增加到 (16% + 1.6%) = 17.6%，还是减少 1.6% 到 14.4%？

以为我直截了当，但现在非常卡在这里。

2个回答

对于最简单的模型（并且交互使其不简单），我喜欢查看预测而不是尝试直接解释系数。您用来拟合模型的软件是否也对给定的 x 和 y 集进行预测？（即使不是全部，也有很多）。然后，您可以对具有以下 (x,y) 的患者进行预测：(0,0)、(0,1)、(10,0) 和 (10,1) 并查看它们如何比较（或者可能使用值更有意义，例如从平均值或中位数开始，然后向任一方向走 1、10 个单位）。一个简单的预测是平均或中位生存率，但如果可能的话，对生存分析绘制 4 条（或更多）预测生存曲线（不同颜色）非常好。这些图/比较通常使效果的方向和大小变得清晰。

你找到答案了吗？我也想知道。我认为解释是这样的：随着增加 10 点，死亡风险增加 1.6%，这是显着的。保持不变，增加会降低风险（降低 16.3%），保持不变，增加会降低风险（降低 10.5%），但是当两者一起工作时，它们会增加死亡风险。如果我们有基线风险 ( )、 ( )、 ( ) 和 $Y$ $X$ $X$ $Y$ $Y$ $X$ $\beta_0$ $X$ $\beta_1$ $Y$ $\beta_2$ $X\times Y$ ( )。如果没有交互，则。我不是统计学家。如果我错了，请纠正我。 $\beta_3$ $\exp(\beta_3) = \exp(\beta_1+\beta_2-\beta_0)$

其它你可能感兴趣的问题

上一篇在配对引导程序中计算 p 值下一篇识别校准曲线之间的差异：ANCOVA？