当 Schoenfeld 残差不好时，比例风险回归模型有哪些选择？

机器算法验证 r 模型 cox模型 冒险 舍恩菲尔德残差
2022-01-25 15:12:36

我正在使用 R 中进行 Cox 比例风险回归coxph，其中包含许多变量。Martingale 残差看起来很棒，而 Schoenfeld 残差对于几乎所有变量都很好。有三个变量的 Schoenfeld 残差不是平坦的，并且变量的性质使得它们可以随时间变化是有意义的。

这些是我并不真正感兴趣的变量，因此将它们设为分层就可以了。但是，它们都是连续变量，而不是分类变量。所以我认为地层不是一条可行的路线*。我已经尝试在变量和时间之间建立交互，如此处所述，但我们得到了错误：

  In fitter(X, Y, strats, offset, init, control, weights = weights,  :
  Ran out of iterations and did not converge

我正在处理近 1000 个数据点，并且正在处理六个变量，每个变量都有很多因素，所以感觉就像我们正在推动如何对这些数据进行切片和切块的限制。不幸的是，我用更少的包含变量尝试过的所有更简单的模型显然更糟（例如，Schoenfeld 残差对于更多变量来说更脆弱）。

我有哪些选择？由于我不关心这些特别糟糕的变量，我想忽略它们的输出，但我怀疑这不是一个有效的解释！

*一个是连续的，一个是范围超过100的整数，一个是范围为6的整数。也许分箱？

3个回答

最优雅的方法是使用参数生存模型（Gompertz、Weibull、Exponential，...），如果您对基线危险可能是什么样子有所了解的话。

如果您想保留您的 Cox 模型，您可以使用具有时间相关系数的扩展 cox 模型。请记住，还有扩展的 cox 模型与时间相关的协变量 - 这些不能解决您的问题！

对于 R，请参见此处：http ://cran.r-project.org/web/packages/survival/vignettes/timedep.pdf

几个想法 -

1) 尝试 Royston-Parmar 建模方法，例如http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0047804和其中的参考资料。我们已经获得了有用的结果。

2) 对连续变量进行中心化和标准化可能在数值上很有用。

3）在许多具有很多水平的因素的模型中，有几个水平基本上没有数据。合并级别以删除这些，但基于良好的实质性标准，可能非常有帮助。

祝你好运！

如果使用与基础时间的交互不起作用，您可以尝试阶跃函数（有关更多信息，请参阅Therneau 的 2016 插图e）。

阶跃函数在特定间隔以特定系数分层。在看到您为有问题的协变量（即plot(cox.zph(model.coxph))）绘制的 Schoenfeld 残差后，您需要目视检查线条变化角度的位置。尝试找出 beta 看起来明显不同的一两个点。假设这发生在时间 10 和 20。所以我们将使用包创建数据survSplit()，该survival包将为上述时间的特定数据模型分组创建数据框：

step.data <- survSplit(Surv(t1, t2, event) ~ 
                      x1 + x2,
                      data = data, cut = c(10, 20), episode = "tgroup")

然后使用函数作为与有问题的变量的交互来运行cox.ph模型 strata（与与时间的交互一样，不要为时间或地层添加主效应）：

> model.coxph2 <- coxph(Surv(t1, t2, event) ~ 
                          x1 + x2:strata(tgroup), data = step.data)

这应该会有所帮助。

其它你可能感兴趣的问题
上一篇如何阅读 R 的 nls 的拟合优度？ 下一篇多重插补后合并校准图