Cox orantılı tehlike modeli ve yüksek vaka etkileşimi söz konusu olduğunda katsayıların yorumlanması

İşte kullandığım Coxph-modelinin özet çıktısı (R kullandım ve çıktı en iyi son modele dayanıyor, yani tüm önemli açıklayıcı değişkenler ve etkileşimleri dahil):

 coxph(formula = Y ~ LT + Food + Temp2 + LT:Food + LT:Temp2 + 
Food:Temp2 + LT:Food:Temp2) # Y<-Surv(Time,Status==1)

n = 555

               coef         exp(coef)          se(coef)      z           Pr(>|z|)     
LT             9.302e+02      Inf             2.822e+02    3.297        0.000979 *** 
Food           3.397e+03      Inf             1.023e+03    3.321        0.000896 *** 
Temp2          5.016e+03      Inf             1.522e+03    3.296        0.000979 *** 
LT:Food        -2.250e+02    1.950e-98        6.807e+01    -3.305       0.000949 *** 
LT:Temp2       -3.327e+02    3.352e-145       1.013e+02    -3.284       0.001022 ** 
Food:Temp2     -1.212e+03    0.000e+00        3.666e+02    -3.307       0.000942 *** 
LT:Food:Temp2   8.046e+01    8.815e+34        2.442e+01     3.295       0.000986 *** 
--- 
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Rsquare= 0.123   (max possible= 0.858 ) 
Likelihood ratio test= 72.91  on 7 df,   p=3.811e-13 
Wald test            = 55.79  on 7 df,   p=1.042e-09 
Score (logrank) test = 78.57  on 7 df,   p=2.687e-14 

Soru şu ki:

Bu durumda katsayı ve exp (coef) değerleri çok büyük değerler oldukları için nasıl yorumlanır? Ayrıca, yorumu daha fazla karıştıran 3-vaka etkileşimi söz konusudur.

Şimdiye kadar çevrimiçi bulduğum Coxph-modeline ilişkin tüm örnekler, (her zaman önemsiz olduğu ortaya çıkan) etkileşim terimleri ve ayrıca katsayı değerleri (= tehlike oranları) ve bunların üsleri (= tehlike oranları) açısından gerçekten basitti. oldukça küçük ve "kullanımı kolay" sayılar, örneğin katsayı = 1.73 -> exp (katsayı) = 5.64. ANCAK benimki özet çıktıdan görebileceğiniz gibi çok daha büyük sayılardır (yukarıda). Ve çok büyük değerler oldukları için neredeyse hiçbir anlam ifade etmiyorlar.

Etkileşim bir birim (?) Arttığında hayatta kalmanın örneğin 8.815e + 34 (LT: Gıda: Temp2 etkileşiminden alınan tehlike oranı) katları daha düşük olduğunu düşünmek biraz saçma görünmektedir.

Aslında bu 3-vaka etkileşimini nasıl yorumlayacağımı da bilmiyorum. Etkileşimdeki tüm değişkenler bir birim arttığında, sağkalım belirli bir miktar azalır (exp (coef) değeri ile söylenir)?

Birisi bana yardım edebilirse harika olur. :)

Aşağıda veri sayfamın cox analizi için kullandığım kısmı var. Burada, birçok "Zaman, Durum yanıtı değişkeni" için aynı açıklayıcı variabe değerini (yani LT, Food ve Temp2) birçok kez kullandığımı görebilirsiniz. Bu açıklayıcı değişken değerleri zaten bu değişkenlerin ortalama değerleridir (doğadaki saha çalışması düzeneği nedeniyle, gözlemlenen her yanıt bireysel için ayrı ayrı açıklayıcı değişken değeri elde etmek mümkün değildi, bu nedenle zaten bu aşamada kullanılan ortalama değerler ), ve bu öneri 1 (?) 'e cevap verecektir (ilk cevaba bakınız).

Öneri 2 (ilk cevaba bakınız): R kullanıyorum ve henüz süper tanrı değilim. :) Bu nedenle, eğer işlev tahminini (cox.model, type = "beklenen") kullanırsam, çok sayıda farklı değer elde ederim ve hangi açıklayıcı değişkene ve hangi sırayla başvurduklarına dair hiçbir fikrim yok. Veya tahmin fonksiyonunda belirli etkileşim terimini vurgulamak mümkün mü? Burada kendimi çok netleştirip belirtmediğimden emin değilim.

Öneri 3 (1. cevaba bakınız): aşağıdaki veri sayfasının bölümünde farklı açıklayıcı değişkenlerin birimleri görülebilir. Hepsi farklıdır ve ondalık sayılar içerir. Bunun cox sonucuyla bir ilgisi olabilir mi?

Veri sayfasının bir kısmı:

Time (days)     Status      LT(h) Food (portions per day) Temp2 (ºC)
28                0         14.42        4.46             3.049
22                0         14.42        4.46             3.049
9                 1         14.42        4.46             3.049
24                0         15.33        4.45             2.595
24                0         15.33        4.45             2.595
19                1         15.33        4.45             2.595

Şerefe, Unna

Doğrudan CoxPH ile değil, etkileşimler ve eşdoğrusallıkla ilgili birkaç öneri

1) Bunun gibi "çılgın" değerler elde ettiğinizde, olasılıklardan biri eşbiçimliliktir. Etkileşimleriniz olduğunda bu genellikle bir sorundur. Tüm değişkenlerinizi ortaladınız mı (her birinden ortalamayı çıkararak)?

2) Biri arasındaki etkileşimi bu kadar kolay yorumlayamazsınız. LT, yiyecek ve temp2, birçok etkileşime dahil olur. Bu nedenle, farklı kombinasyonlardan tahmin edilen değerlere bakın.

3) Farklı değişkenlerin birimlerini kontrol edin. Çılgın parametreler aldığınızda, bazen birimler problemi olur (örneğin insan yüksekliğini milimetre veya kilometre cinsinden ölçmek)

4) Bu şeyleri düzleştirdikten sonra, farklı etkileşimlerin (özellikle üst düzey olanlar) etkilerini düşünmenin en kolay yolunu, tahmin edilen değerleri bağımsız değerlerin farklı kombinasyonları ile grafik olarak çizmektir.