Schoenfeld kalıntıları iyi olmadığında orantılı tehlike regresyon modelindeki seçenekler nelerdir?

coxphBirçok değişken içeren R kullanarak Cox orantılı tehlikeler regresyon yapıyorum . Martingale kalıntıları harika görünüyor ve Schoenfeld kalıntıları ALMOST için tüm değişkenler için harika. Schoenfeld kalıntıları düz olmayan üç değişken vardır ve değişkenlerin doğası zamanla değişebilecekleri mantıklıdır.

Bunlar gerçekten ilgilenmediğim değişkenler, bu yüzden onları katman haline getirmek iyi olur. Ancak hepsi kategorik değişkenler değil sürekli değişkenlerdir. Bu yüzden katmanları uygulanabilir bir rota olarak görmüyorum *. Burada açıklandığı gibi, değişkenler ve zaman arasındaki etkileşimleri oluşturmayı denedim , ancak hatayı aldık:

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

Yaklaşık 1000 veri noktasıyla çalışıyorum ve her biri birçok faktöre sahip yarım düzine değişkenle çalışıyorum, bu yüzden bu verilerin nasıl dilimlenip kesilebileceğinin sınırlarını zorluyoruz gibi geliyor. Ne yazık ki, daha az sayıda değişkenle denediğim tüm daha basit modeller açıkça daha kötüdür (örneğin, Schoenfeld kalıntıları daha fazla değişken için daha ufalanır).

Seçeneklerim neler? Bu kötü davranmış değişkenleri umursamadığım için, çıktılarını görmezden gelmek istiyorum, ama bunun geçerli bir yorum olmadığını sanıyorum!

* Biri sürekli, biri 100'ün üzerinde bir tam sayı ve biri 6'nın bir tamsayı. Belki binning?

En zarif yol, temel tehlikenin nasıl görünebileceğine dair bir fikriniz varsa parametrik bir hayatta kalma modeli (Gompertz, Weibull, Exponential, ...) kullanmak olacaktır.

Cox modelinizle kalmak istiyorsanız, zamana bağlı katsayılara sahip genişletilmiş bir cox modeli alabilirsiniz . Değişkenlere bağlı olarak genişletilmiş cox modellerinin de bulunduğunu unutmayın - bunlar sorununuzu çözmez!

R için buraya bakın: http://cran.r-project.org/web/packages/survival/vignettes/timedep.pdf

Birkaç fikir -

1) Royston-Parmar modelleme yaklaşımını deneyin, örneğin http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0047804 ve buradaki referanslar. Bununla yararlı sonuçlar elde ettik.

2) Sürekli değişkenlerin ortalanması ve standartlaştırılması sayısal olarak yararlı olabilir.

3) Çok seviyeli faktörleri olan birçok modelde, temelde veri bulunmayan birkaç seviye vardır. Bunları kaldırmak için seviyeleri birleştirmek, ancak iyi maddi kriterlere dayanmak, çok yardımcı olabilir.

İyi şanslar!

Altta yatan zamanla bir etkileşim kullanmak işe yaramazsa, adım işlevlerini deneyebilirsiniz (daha fazla bilgi için bkz. Therneau'nun 2016 vignett e).

Basamak fonksiyonları, belirli aralıklarla belirli katsayılarda katmanlaştırılır. Sorunlu ortak değişkenler için çizilen Schoenfeld kalıntılarınızı gördükten sonra (yani plot(cox.zph(model.coxph))) çizgilerin açının nerede değiştiğini görsel olarak kontrol etmeniz gerekir. Betanın belirgin şekilde farklı göründüğü bir veya iki nokta bulmaya çalışın. Bunun 10 ve 20. saatlerde gerçekleştiğini varsayalım. Bu nedenle survSplit(), survivalpaketten kullanarak yukarıda belirtilen zamanlarda belirli veri modeli gruplaması için bir veri çerçevesi oluşturacak veriler oluşturacağız:

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

Ve sonra cox.phmodeli stratafonksiyonla problemli değişkenlerle etkileşimler olarak çalıştırın (zamanla etkileşimde olduğu gibi, zaman veya katmanlar için ana bir etki eklemeyin):

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

Ve bu yardımcı olacaktır.