这个问题来自：
如何模拟具有变化点的 Cox 比例风险模型并在 R 中对其进行编码（参见答案）
我想生成一个审查变量选择适当的值来创建所需的审查百分比例如 33%、55% 等。
为了在我为上一个问题所做的代码中包含这个审查变量，我将它添加到数据帧生成器中：
cen <- rexp(n,theta) # Censoring variable.
ycen <- pmin(Y, cen) # Censoring effect.
di <- as.numeric(Y <= cen)
...
if (surv.df) data.frame(Y,X,ycen,di) else cbind(Y,X,ycen,di)
做这样的事情（在上述模拟的背景下）：
coxph(Surv(ycen, di)~X)
我应该选择哪个值？
我不确定这是否能回答您的问题，但请在下面找到 Bender 等人的一些 R 代码。（2005 年）。他们描述了一种模拟 Cox PH 回归模型的方法，该模型具有给定的属性，例如被审查事件的比例（见行“ dat <- data.frame(T = T, X, event = rbinom(n, 1, 0.30))”，即所有事件的 70% 被审查）。
参考
本德尔、拉尔夫、托马斯·奥古斯丁和玛丽亚·布莱特纳。2005. 生成生存时间以模拟 Cox 比例风险模型。医学统计 24：1713-1723。
##' Generate survival data with $p$ (correlated) predictors
##'
##'
##'
##' @title Generate survival data
##' @param n Sample size
##' @param beta Vector of coefficients
##' @param r Correlation between predictors
##' @param id.iter
##' @param id.study
##' @return matrix with identification variables id.iter and id.study,
##' T (survival time), event (0: censored),
##' predictors X1 to X$p$
##' @author Bernd Weiss
##' @references Bender et al. (2005)
genSurvData <- function(n = 100000,
beta = c(0.8, 2.2, -0.5, 1.1, -1.4),
r = 0.1,
id.iter = NA,
id.study = NA){
## Scale parameter (the smaller lambda, the greater becomes T)
lambda <- 0.000001#1.7
## Shape parameter
nue <- 8.9#9.4
## Sample size
n <- n
## Number of predictors
p <- length(beta)
## Generate column vector of coefficients
beta <- matrix(beta, ncol = 1)
## Generate correlated covariate vectors using a multivariate normal
## distribution with X ~ N(mu, S) and a given correlation matrix R, with:
## R: A p x p correlation matrix
## mu: Vector of means
## SD: Vector of standard deviations
## S: Variance-covariance matrix
R <- matrix(c(rep(r, p^2)), ncol = p)
diag(R) <- 1
R
mu <- rep(0, p)
SD <- rep(1, p)
S <- R * (SD %*% t(SD))
X <- mvrnorm(n, mu, S)
cov(X)
cor(X)
sqrt(diag(cov(X)))
## Calculate survival times
T <- (-log(runif(n)) / (lambda * exp(X %*% beta)))^(1/nue)
## 30% (0.30) of all marriages are getting divorced, i.e. 70% of all
## observations are censored ("event = rbinom(n, 1, 0.30)")
dat <- data.frame(T = T, X, event = rbinom(n, 1, 0.30))
## Also, all T's > 30 yrs are by definition censored and T is set to 30 yrs
dat$event <- ifelse(dat$T >= 30, 0, dat$event)
dat$T <- ifelse(dat$T >= 30, 30, dat$T)
dat$id.iter <- id.iter
dat$id.study <- id.study
## Reorder data frame: T, event, covariates
tmp.names <- names(dat)
dat <- dat[, c("id.iter", "id.study", "T", "event", tmp.names[grep("X", tmp.names)])]
## Returning a matrix speeds-up things a lot... lesson learned.
dat <- as.matrix(dat)
return(dat)
}
library(survival)
library(MASS)
dat <- genSurvData(n = 1000)
dat <- as.data.frame(dat)
survfit(Surv(time = T, event = event) ~ 1, data = dat)
coxph(Surv(time = T, event = event) ~ X1 + X2 + X3 +X4 +X5, data = dat)