Cox回归的应用前提
比例风险假设(PH假设)：各协变量的风险比例不随时间变化，如果违反比例风险假设，可能需要使用时依协变量或分段Cox模型等修正方法
无信息删失：删失的发生与事件发生无关
无时间依赖性协变量：协变量的效应在整个研究期间恒定
关键步骤与实现
1. 数据准备
- 变量类型：需包含时间变量（如生存时间）、状态变量（如是否发生事件）和协变量（如年龄、性别）。分类变量需转换为因子（如 as.factor()）。
- 缺失值处理：通常采用逐案删除法（listwise deletion）。
2. 单因素Cox回归
library(survival)
res.cox <- coxph(Surv(time, status) ~ sex, data = lung)
summary(res.cox)结果解读：coef：回归系数，正值表示风险增加（如性别为男性时HR=0.588，风险降低）。z值：Wald统计量（coef/se(coef)），用于检验系数显著性（p<0.05为显著）。HR（exp(coef)）：风险比，HR>1表示风险升高。
3. 多因素Cox回归
res.cox <- coxph(Surv(time, status) ~ age + sex + ph.ecog, data = lung)
summary(res.cox)模型评估：似然比检验、Wald检验、得分检验：三者p值均显著表明模型整体有效。Concordance：值越接近1，模型预测能力越强。
4. 逐步回归与变量筛选
前向选择：从空模型开始，逐步添加显著变量。后向消除：从全模型开始，逐步剔除不显著变量。逐步选择：结合前两者，每次添加变量后检查已有变量的显著性。
multiCox <- step(coxph(Surv(time, status) ~ ., data = df), direction = "both")[[14]]5. 比例风险假设检验
使用cox.zph()函数验证风险比例假设：
test.ph <- cox.zph(res.cox)
print(test.ph) # p>0.05表示假设成立[[4, 13]]原创文章（本站视频密码：66668888），作者：xujunzju，如若转载，请注明出处：https://zyicu.cn/?p=20135
微信扫一扫 
支付宝扫一扫 
