生存分析及其R程序.ppt

4.survdiff(formula,data,subset,na.action,rho) formula由Surv()定义，rho定义所选择的方法：rho=0 log-rank法或者Mantel-Haenszel 法；rho=1 为Wilcoxon法 非参数生存分析法 SAS程序： libname ll F:\R语言学习\COX; data pharynx; set ll.pharynx; run; proc lifetest method=PL plots=(s,ls,lls); time time*status(0); strata tx; run; Method=方法 （1）PL为乘积极限法；（2）LT为寿命表法 （3）INTERVALS=(初值 to终值 by 步长）只能在制定分析方法为寿命表法时应用 Plots=绘图类型（1）S：对生存函数S（t）作图 （2）LS：对LOGS(t)作图，（3）LLS对LOG(-LOGS(t))作图（4）H：对风险函数作图 TIME 定义生存时间和截尾指示变量。括号里的为表示截尾的值。 参数生存分析——指数模型 指数分布是历史上第一个寿命分布模型。指数分布在生存分析中占据重要地位，它在寿命研究方面所起的作用，与正态分布在统计学其他研究领域的地位相当。 人们常常把指数分布作为纯粹随机死亡模型来处理。它作为唯一“无记忆性的分布”而著名，所谓“无记忆”是指在任意时刻，一个尚存活的研究对象所面临的死亡风险是常数，这样，他的期望寿命总是相等的，不管他存活的多久，也即对年龄是没有记忆的。 指数分布模型 设数据来自指数分布，其概率密度函数为： 分布函数为： 指数分布 指数分布死亡密度函数、生存函数和风险函数分别为： f(t)=λexp(-λt) S(t)=exp(-λt) h(t)=λ λ为指数分布的危险率，其大小决定了生存时间的长短，危险率越大，生存率下降越快。在指数分布模型中， λ是常数，与时间t无关。 -ln(S(t))=λt； 如果以生存时间t为横轴，以-ln(S(t))为纵轴所做的散点图近似成直线趋势切通过原点，则说明生存时间t近似服从指数分布 指数分布模型的参数估计 人们用不变的危险率λ来刻画指数分布的特征，λ为指数分布模型中唯一的参数（λ可以认为是单位时间发生某事件的次数），其极大似然估计为： 其中，n为样本含量；ti为每个观察对象的生存时间，i=1,2,3,……n，包括完整数据和截尾数据；r为数据中完整数据的个数。 指数回归模型 在指数回归模型中，设x1,x2,x3……xp为影响因素，如果生存时间服从指数分布，则参数λ与各因素间的关系可表示为： lnλ=α+β1x1+ β2x2+ β3x3+……+ βpxp α为常数项，表示无任何因素影响时的基线风险的对数。 β i表示在控制其他因素时，变量xi每改变一个单位所引起的风险函数λ的对数值的改变量。 指数回归中参数的估计用极大似然法，常用的Newton-Raphson迭代法求解 参数生存分析——Weibull模型 当资料不符合指数分布时，表示风险函数h(t)不为常数，则可以考虑Weibull分布，其生存函数，风险函数分别为： Weibull分布中有两个参数，m为形状参数，m0，决定了生存时间分布的形状，m越小，分布越偏，当m=3.57时，分布近似为正态分布。m1为早夭现象，m=1为指数回归模型，m1为老化现象 Weibull 分布模型的参数估计 Weibull分布有两个参数，即危险率λ和形状参数m。Weibull分布参数的估计需要用极大似然估计。 lnS(t)=-(λt)m 再取其负对数得：ln[-lnS(t)]=mlnλ+mlnt 以ln[-lnS(t)]为纵轴，以lnt为横轴作图成直线趋势可以初步判断资料服从Weibull分布。 Weibull回归模型 lnλ=α+β1x1+ β2x2+ β3x3+……+ βpxp 在Weibull回归模型中，除要估计β外，还要估计形状参数m,相应的生存率为 S(t)=exp{-[t*exp(α+β1x1+ β2x2+ β3x3+……+ βpxp)]m} 风险函数为：h(t)=mtm-1exp(α+β1x1+ β2x2+ β3x3+……+ βpxp) 基准风险为：h0(t)= mtm-1expα 参数估计用极大似然法。模型检验用似然比检验。 参数分析的程序 在R中：使用函数survreg() #在survival包中 survreg(formula,data , weights , dist= ) formula由Surv()返回的值~X1+X2+X3 dist=“weibull”,”logistic”,”lognormal”…… 在SAS中： pro