R'deki coxph'in “coef” ve “(exp) coef” çıktıları arasındaki fark nedir?

Ben tam olarak coxph "coef" ve "(exp) coef" çıktı anlamını ayırt etmeye çalışıyorum. Görünüşe göre "(exp) coef", modeldeki ilk değişkenin komutta atanan gruba göre karşılaştırmalarıdır.

Coxph işlevi "coef" ve "(exp) coef" değerlerine nasıl ulaşır?

Ek olarak, sansür söz konusu olduğunda coxph bu değerleri nasıl belirler?

Tek bir açıklayıcı değişkeniniz varsa, örneğin tedavi grubu, bir Cox'un regresyon modeli ile donatılmıştır coxph(); katsayı ( coef) bir regresyon katsayısı (aşağıda açıklanacak olan Cox modeli bağlamında) olarak okur ve üstel değeri, tedavi grubunda (kontrol veya plasebo grubuna kıyasla) size tehlike verir. Örneğin, , tehlike , yani% .$\hat\beta=-1.80$$\exp(-1.80)=0.165$

Bildiğiniz gibi, tehlike fonksiyonu şu şekilde modellenmiştir:

burada temel tehlikedir. Tehlikeler, ortak değişkenlere çarpılarak bağlıdır ve , tüm diğer ortak değişkenler sabit tutulduğunda değerleri bir birim farklı olan iki kişi arasındaki tehlikelerin oranıdır . Herhangi iki kişiden tehlikeleri oranı ve ise ve risk oranı (veya görülme oranı oran) olarak adlandırılır. Bu oranın zaman içinde sabit olduğu varsayılır, dolayısıyla orantılı tehlikenin adı .$h_0(t)$$\exp(\beta_1)$$x_1$$i$$j$$\exp\big(\beta'(x_i-x_j)\big)$

Önceki sorunuzun yankılanması için survregburada formu belirtilmemiş olarak bırakılmıştır; daha doğrusu, bu, yarı değişken bir modeldir, çünkü tehlike fonksiyonunun değil, sadece ortak değişkenlerin etkilerinin parametreleştirilmiş olmasıdır. Başka bir deyişle, hayatta kalma süreleri hakkında herhangi bir dağıtım varsayımı yapmıyoruz.$h_0(t)$

Regresyon parametreleri, tarafından tanımlanan kısmi log olasılığını maksimuma çıkararak tahmin edilir.

birinci toplamın tüm ölümler veya başarısızlıklar üzerindeyken ve ikinci toplamın tüm özneler üzerinde olduğu başarısızlık anında hayatta (ancak risk altındadır) - bu risk seti olarak bilinir . Diğer bir deyişle, için günlük profil olasılığı olarak yorumlanabilir arındırılmak (ya da başka bir deyişle, LL fonksiyonları ile ikame edilmiş ile olasılığını en üst düzeye saygı sabit bir vektör için ).$f$$r(f)$$\ell$$\beta$$h_0(t)$$h_0(t)$$\beta$$h_0(t)$$\beta$

Sansür hakkında, sol sansüre (gözlemin başladığı zamandan daha erken olan, gecikmeli giriş olarak da adlandırılır ) veya sağ sansürleme zaman kaynağının bir kaynağını düşünürsek, açık olmayabilir . Her durumda, regresyon katsayılarının hesaplanması ve hayatta kalma paketinin sansürle nasıl başa çıktığı hakkında daha fazla ayrıntı Therneau ve Grambsch, Modelleme Survival Data'da bulunabilir (Springer, 2000). Terry Therneau , eski S paketinin yazarıdır. Bir online eğitim mevcuttur.

R Survival Analizi David Diez tarafından, R. kısa özetinde Survival Analiz için iyi bir tanıtım sağlar p verilir regresyon parametreleri için testler. 10. Umarım, bu @onestop tarafından alıntılanan çevrimiçi yardımın netleştirilmesine yardımcı olacaktır , "doğrusal matrisin katsayıları model matrisinin sütunlarını çoğaltır." Uygulamalı bir ders kitabı için, Everitt ve Rabe-Hesketh (Springer, 2001, bölüm 16 ve 17) tarafından S-PLUS Kullanılarak Tıbbi Verilerin Analiz Edilmesini öneririm . Bir başka yararlı referans, John Fox'un Hayatta Kalma Verileri için Cox Orantılı Tehlikeler Regresyonu ekidir .$\chi^2$

R ile elde edilen bir coxph nesnesinin yazdırma yöntemine ilişkin belgeleri aşağıdakileri yazarak alıntılamak için ?survival::print.coxph:

coefficients model matrisinin sütunlarını çoğaltan doğrusal öngörücünün katsayıları.

Paketin yazarının sağladığı tüm belgeler budur. Paket hiçbir kullanım kılavuzu veya paket vinyeti içermiyor. R, kullanıcı dostu olarak tasarlanmamıştır ve belgeler, ilgili istatistiksel yöntemleri zaten anladığınızı varsayar.

Ben coefsütun yukarıdaki verir coefficientsve exp(coef)sütun bunların üstel olduğunu varsayalım . Cox regresyonu bir log link fonksiyonu içerdiğinden, katsayılar log tehlike oranlarıdır. Bu nedenle üsleri artırmak size geri tehlike oranları verir.