王静老师最全的生存分析讲课文档.pptVIP

一、cox回归模型简介**安徽医科大学流统系王静制作第62页，共108页。1、模型结构即Cox回归，它的一般形式是：λ(t)=[λ0(t)]?e(β1*x1+β2*x2+….+βm*xm)=[λ0(t)]?exp(β1*x1+β2*x2+….+βm*xm)**安徽医科大学流统系王静制作第63页，共108页。λ(t)表示t时刻暴露于各危险因素（x1，x2，….xm）状态下的风险函数。λ0(t)为基线风险函数，表示所有的危险因素状态都为0情况下的风险函数。λ(t)/λ0(t)=exp(β1*x1+β2*x2+….+βm*xm)即：ln[λ(t)/λ0(t)]=β1*x1+β2*x2+….+βm*xm将cox回归与线性回归、logistic回归做一比较。**安徽医科大学流统系王静制作第64页，共108页。λ0(t)的形式不限，使模型的适用范围如同非参数法那么广；模型中含有参数β，又使得其统计效率接近参数模型。（但参数β就不能用传统的方法进行估计和检验）∴模型中含有参数β，但基线风险函数λ0(t)不要求服从特定分布形式，具有非参数的特点,故Cox回归又称为半参数模型。**安徽医科大学流统系王静制作第65页，共108页。英国生物统计学家**安徽医科大学流统系王静制作第66页，共108页。2、参数的统计学意义假设只有一个X危险因素，0为“不暴露”，1为“暴露”，模型形式为：λ(t)=λ0(t)?exp(β*x)X=1时的风险函数为：λ1(t)=λ0(t)?exp(β*1)X=0时的风险函数为：λ2(t)=λ0(t)?exp(β*0)λ1(t)、λ2(t)分别表示暴露于危险因素的两种不同状态下发病的风险函数。**安徽医科大学流统系王静制作第67页，共108页。暴露于危险因素的两种不同状态下发病的风险比即为相对危险度RR。RR=λ1(t)/λ2(t)=[λ0(t)?exp(β*1)]/[λ0(t)?exp(β*0)]=exp(β*1)/exp(β*0)=exp（β）RR表示暴露组与非暴露组的风险函数之比，即：暴露组发病的风险是非暴露组的RR倍。回归系数β的流行病学含义是0、1协变量X的相对危险度的自然对数。**安徽医科大学流统系王静制作第68页，共108页。如果X为连续性变量——年龄（岁），则λ1(t)、λ2(t)分别表示k岁、k+1岁的两种不同状态下发病的风险函数。RR=λ1(t)/λ2(t)=[λ0(t)?exp(β*（k+1）)]/[λ0(t)?exp(β*k)]=exp(β*（k+1）/exp(β*k)=exp（β）β：X每增加一个单位时其相对危险度的自然对数值。RR表示某危险因素（或协变量）改变一个测量单位时风险函数改变多少倍。**安徽医科大学流统系王静制作第69页，共108页。当β＞0，说明相应协变量值的增加将增大所研究事件发生的可能性；当β＜0，相应协变量值的增加将减少所研究事件发生的可能性；当β=0，相应协变量与所研究事件的发生无关。**安徽医科大学流统系王静制作第70页，共108页。3、模型假设满足比例风险（proportionalhazards）假定，简称PH假定。即：相对危险度RR或风险比保持一个恒定的比例，与时间t无关。**安徽医科大学流统系王静制作第71页，共108页。Cox回归无须对λ0(t)的形式作任何限制，因为不影响各危险因素相对危险度的估计，而相对危险度正是多因素分析时最关注的问题。∴cox模型巧妙地将非参数[λ0(t)]部分与参数（回归系数β）的概念结合起来，这种灵活性使得它在生存分析的应用中备受青睐。**安徽医科大学流统系王静制作第72页，共108页。比值比OR可以作为相对危险度RR的估计值。**安徽医科大学流统系王静制作第73页，共108页。比例风险假设的检验：可分组（若为0、1两组）做二次对数生存率图（LogminusLog，LML），进行目测判断，若两条曲线有交叉或间距变动大，则提示风险比随时间而改变，不具备cox比例风险模型的适用性；反之，则资料适宜用cox比例风险模型。**安徽医科大学流统系王静制作第74页，共108页。**安徽医科大学流统系王静制作第75页，共108页。4、协变量的筛选策略与其他回归模型类似，如果协变量个数较多，则通常采用逐步法。**安徽医科大学流统系王静制作第76页，共108页。可采用SPSS