COX模型比例风险假设的检验及非比例风险模型介绍.pdfVIP

明玥整理，如有疑问请联系QQ （569473320 ）及邮箱（moonlight2006h@163.com ） COX 模型比例风险假设的检验及非比例风险模型介绍 一、COX 模型的基本特征 1、COX 模型允许风险率有时间依赖，但对风险率的分布形式没有做任何假设。 在 h0(t) （基准风险函数）未知的条件下，仍然可以对协变量中的回归系数（β ） 进行估算，因此，COX 回归模型的参数估计方法被称为部分似然值法。 2 、COX 模型中，h0(t) 没有模型化，因此，COX 模型又被称为半参数模型。 3、COX 模型的基本假设为：不论基线风险如何，在任何时间点上，存在某一暴 露的个体相对不存在该暴露的个体发生事件的风险是恒定的。也即两组人群在任 何时间点上发生事件的风险比例是恒定的（或者解释为某一个暴露在所有时间里 对发生事件的作用都是相同的），故COX 模型又称为比例风险模型，相应的协变 量的参数估计必须满足比例风险假设。 4 、COX 模型没有截距，因为截距是 h0(t) 的一部分，在部分似然值法中被取消 了。 二、COX 回归模型参数估计的基本理论 1、无节点（tie ）数据的参数估计 例如下面样板数据 id time x 1 1 3 2 5 2 3 9 4 4 20 9 5 22 10 根据风险函数：h_j_(t)=h0(t) * exp(β0 + βx * x_j) ，其中j 代表第j 个个体。 可将第4 个人在时间点为20 的风险表达为： h(第4 个人在时间点为20) = h_4_(20)=h0(20) * exp(β0 + βx * 9) 。 同时可以看到在第20 个时间点之后还有一个人没有发生事件（id=5 ）。也即在第 20 个时间点时的危险集为id=4 和id=5 。但是实际这个危险集中只有id=4 发病， 明玥整理，如有疑问请联系QQ （569473320 ）及邮箱（moonlight2006h@163.com ） 因此id=4 在时间点为20 的发病概率为： P(4 发病|不发病)=h_4_(20)/[ h_4_(20) +h_5_(20) ] =h0(20) * exp(β0 + βx * 9)/ [ h0(20) * exp(β0 + βx * 9) + h0(20) * exp(β0 + βx * 10)] =exp(βx * 9)/[ exp(βx * 9)+exp(βx * 10)] 由此可以算出βx。 2、有节点（tie ）数据的参数估计 做COX 回归前首先需要对时间点数据（ti ）进行排序，得到k 个不同的时间点数 据，如果k 小于样本例数（n ），就提示同一时间点上有多个个体。此时估计参数 的方法分两步： （1）将同一时间点的个体构建危险集，计算每个危险集的条件概率。 （2 ）将k 个条件概率相乘，得到n 个样本点的偏似然函数L 。 此时参数的估计方法包括（SAS /PROC PHREG 中的相关选项）： 当k=n 时，四种方法的L 都相同，也即此时L 是唯一的。 当kn 时，则应分别参考以下条件选择合适的参数估计方法： （1）如果生存时间为离散型变量，则应当使用Discrete 法， （2 ）如果生存时间为连续型变量，则应当使用Exact 法，但计算时间相对较长 （3 ）当节点数不是很多时，则应当使用Breslow 或Efron 法 三、COX 模型存在的问题 1、COX 模型没有充分利用信息，只考虑持续时间的次序，并没有使用事件发生 准确时间的信息。 2 、假设时间是连续的，对存在节点的数据处理相对困难。（但这些因素现在都不 是重要问题了。如SAS /PROC PHREG 中提到的方法） 3、没有直接计算 h0(t). （但是可以用其他方法估算出来。） 明玥整理，如有疑问请联系QQ （569473320 ）及邮箱（moonlight2006h@163.com ） 四、COX 模型的假设和检验 如前所述，COX 模型参数估计时必须满足比例风险假设。如果一个变量的作用 随时间而变化，这相当于时间与该变量之间存在相互作用，则比例风险假设不成 立。 比例风险假设的检验方法包括：A ．作图法，包括Kaplan-Meier 生存曲线图法， Schoenfeld 残差图法，Martingale 残差图法等；B ．分析法，包括Schoenfel