机器算法验证 - 如何解释 Cox 回归中的 Exp(B)？ - 吾爱随笔录

如何解释 Cox 回归中的 Exp(B)？

机器算法验证回归生存冒险

2022-02-01 06:02:25

我是一名试图理解统计数据的医学生（！） - 所以请保持温柔！;)

我正在写一篇包含大量统计分析的文章，包括生存分析（Kaplan-Meier、Log-Rank 和 Cox 回归）。

我对我的数据进行了 Cox 回归，试图找出我是否可以发现两组患者（高风险或低风险患者）的死亡之间存在显着差异。

我在 Cox 回归中添加了几个协变量来控制它们的影响。

Risk (Dichotomous)
Gender (Dichotomous)
Age at operation (Integer level)
Artery occlusion (Dichotomous)
Artery stenosis (Dichotomous)
Shunt used in operation (Dichotomous)

我从协变量列表中删除了动脉闭塞，因为它的 SE 非常高 (976)。所有其他 SE 都在 0,064 到 1,118 之间。这就是我得到的：

                    B       SE      Wald    df  Sig.    Exp(B)  95,0% CI for Exp(B)
                                                                Lower   Upper
    risk            2,086   1,102   3,582   1   ,058    8,049   ,928    69,773
    gender         -,900    ,733    1,508   1   ,220    ,407    ,097    1,710
    op_age          ,092    ,062    2,159   1   ,142    1,096   ,970    1,239
    stenosis        ,231    ,674    ,117    1   ,732    1,259   ,336    4,721
    op_shunt        ,965    ,689    1,964   1   ,161    2,625   ,681    10,119

我知道风险仅在 0,058 时具有临界意义。但除此之外，我如何解释 Exp(B) 值？我读了一篇关于逻辑回归的文章（有点类似于 Cox 回归？），其中 Exp(B) 值被解释为：“处于高风险组中，结果的可能性增加了 8 倍”，其中在这种情况下是死亡。我能说我的高危患者比……早死的可能性高出 8 倍吗？

请帮我！;)

顺便说一句，我正在使用 SPSS 18 运行分析。

2个回答

一般来说， $\exp(\hat\beta_1)$ 是两个人之间的风险比，其值为 $x_1$ 当所有其他协变量保持不变时，相差一个单位。与其他线性模型的相似之处在于，在 Cox 回归中，风险函数被建模为 $h(t)=h_0(t)\exp(\beta'x)$ ，在哪里 $h_0(t)$ 是基线危险。这相当于说 $\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$ . 然后，增加一个单位 $x_i$ 与..相联系 $\beta_i$ 增加对数风险率。因此，回归系数允许量化治疗组（与对照组或安慰剂组相比）的危害对数，考虑到模型中包含的协变量；它被解释为相对风险（假设没有时变系数）。

在逻辑回归的情况下，回归系数反映了优势比的对数，因此解释为风险增加 k 倍。所以是的，风险比的解释与优势比的解释有一些相似之处。

请务必查看 Dave Garson 的网站，那里有一些关于使用 SPSS进行Cox 回归的好材料。

我不是统计学家，而是医学博士，试图在统计学的世界里整理出一些东西。

您必须解释此输出的方式是查看 $\exp(B)$ 价值观。< 1 的值表示该特定变量增加一个单位，将降低在整个观察期间经历终点的概率。通过反转（即 $1/\exp(B)$ )，你会发现“保护作用”，例如如果 $\exp(B) = 0.407$ （就像您的“性别”值的情况一样），解释将是性别 = 1 的值意味着您降低了遇到 en 点的概率 $1/0.407 = 2.46$ ，与 Gender 值 = 0 时相比。

为了 $\exp(B) > 1$ , 解释更容易, 作为一个值, 说 $\exp(B) = 1.259$ （就像您的“狭窄”变量的情况一样），意味着与“狭窄”= 0 时相比，得分“狭窄”= 1 将导致经历终点的概率增加（25.9%）。

置信区间 (CI) 告诉我们，如果我们要无限次重复该调查，我们可以预期该值在哪个范围内（95% 的概率）会有所不同。如果 95% CI 与值 1 重叠，则结果在统计上不显着（因为 $\exp(B) = 1$ 表示如果变量值为“0”或“1”，经历终点的概率没有差异），P值将超过0.05。如果 95% CI 保持在值 1 之外（在任一侧），则 $\exp(B)$ 具有统计学意义。

从您的分析来看，您的任何变量似乎都不是终点的重要预测因子（符号水平为 5%），尽管作为“高风险”患者具有临界意义。

阅读 Julie Pallant 所著的“ SPSS 生存手册”一书可能会让您进一步了解这个（以及更多）主题。

其它你可能感兴趣的问题

上一篇随着比较次数的增加，Benjamini-Hochberg 校正是否更保守？下一篇线性回归和最小二乘回归一定是一回事吗？