R: Пропорциональное предположение об опасности в коксме ()
Я использую модель смешанных эффектов с использованием функции coxme() в R. Эта модель анализирует событие успеха продукции компаний в разных странах. Фиксированными эффектами являются, например, ВВП, население, технология и культурные переменные. Случайные эффекты - это разные страны.
Я знаю, что с coxph() можно проверить на пропорциональную опасность с помощью команды cox.zph().
Мой вопрос: Как я могу проверить пропорциональную опасность с помощью coxme()?
1 ответ
Фиксированные эффекты в модели случайных эффектов можно проверить на пропорциональные опасности (PH) с помощью той же функции, что и для стандартных
coxph()
модели. Согласно инструкции,
fit
аргумент в пользу
cox.zph()
является "результатом подбора регрессионной модели Кокса с использованием
coxph
или же
coxme
функции ".
Случайные эффекты «не проверяются на пропорциональные опасности, а рассматриваются как фиксированное смещение в модели».
Пример, заимствованный из с этого вопросаперекрестной проверкой :
> library(survival)
> library(coxme)
> df <- stanford2
> df$cid <- round(df$id / 10) + 1 ## generates some clusters
> fit <- coxme(Surv(time, status) ~ age + t5 + (1 | cid),data=df)
> fit
Cox mixed-effects model fit by maximum likelihood
Data: df
events, n = 102, 157 (27 observations deleted due to missingness)
Iterations= 2 12
NULL Integrated Fitted
Log-likelihood -451.0944 -446.8618 -446.8261
Chisq df p AIC BIC
Integrated loglik 8.47 3.00 0.037317 2.47 -5.41
Penalized loglik 8.54 2.04 0.014582 4.46 -0.88
Model: Surv(time, status) ~ age + t5 + (1 | cid)
Fixed coefficients
coef exp(coef) se(coef) z p
age 0.02960206 1.030045 0.01135724 2.61 0.0091
t5 0.17056610 1.185976 0.18330590 0.93 0.3500
Random effects
Group Variable Std Dev Variance
cid Intercept 0.0199835996 0.0003993443
> cox.zph(fit)
chisq df p
age 0.831 3.00 0.84
t5 2.062 2.04 0.36
GLOBAL 2.767 5.04 0.74
Это было сделано с
survival_3.1-11
а также
coxme_2.2-16
.