Asumsi bahaya proporsional

Asumsi bahaya proporsional pada dasarnya mengatakan bahwa tingkat bahaya tidak berbeda dengan waktu. Yaitu, . Kapan kita bisa menganggap ini? Bagaimana jika rasio bahaya pada berbagai waktu adalah: dan ? Bisakah kita membuat asumsi bahaya proporsional? Kami juga memiliki $\text{HR}(t) \equiv \text{HR}$ $2.4, 2.36, 2.27$ $2.03$

\log [h (t | x)] = \log [h_{0} (t)] + β_{1} x_{1} + \dots + β_{p} x_{p}

$\log[h(t|\textbf{x})] = \log[h_{0}(t)] + \beta_{1}x_1 + \dots + \beta_{p}x_{p}$

Mengapa kita perlu memperkirakan ? Jika kita memiliki , mengapa kita tidak bisa meletakkan semua nilai prediktor ke nol untuk mendapatkan ? $h_{0}(t)$ $h(t|\textbf{x})$ $h_{0}(t)$

Edit. Saya ingin sarana untuk menilai apakah asumsi PH itu benar.

survival

— Thomas
sumber

Pertanyaan Anda perlu beberapa kejelasan. Tampaknya Anda berbicara tentang rasio bahaya, bukan tingkat bahaya. Apakah ada alasan Anda memilih persamaan regresi tertentu - ada banyak cara untuk mendekati analisis survival. Dan apa yang Anda maksud dengan "kapan" dapat kita asumsikan ini - apakah Anda menginginkan serangkaian keadaan di mana itu benar, atau sarana untuk menilai apakah itu benar dalam kasus Anda?

— Fomite

Perangkat lunak apa yang Anda inginkan "berarti menilai apakah asumsi PH itu benar"? Dalam pertanyaan saya sebelumnya, saya mencoba untuk mengatasi masalah yang Anda miliki setelah menguji asumsi PH tetapi bagian atas menunjukkan bagaimana Anda memeriksa dengan menggunakan metode Grambsch dan Therneau.

— Max Gordon

Perangkat lunak yang Anda gunakan harus memberikan tes ini. Sebagai contoh, SAS akan menggunakan metode Lin, Wei dan Ying (1993) (lihat dokumentasi untuk PHREG dan, khususnya, pernyataan ASSESS)

— Peter Flom

Peter benar di dalamnya tergantung pada perangkat lunak apa yang Anda gunakan untuk memeriksa ini, dalam paket survival dengan R ada fungsi cox.ph ().

Sebagian besar penilaian asumsi akan melibatkan melihat residu Schoenfeld. Jika diplot berdasarkan waktu seharusnya tidak ada pola yang terlihat.

Lihat Bahaya Cox-Proporsional mulai dari halaman 12.

Juga, jika memodelkan variabel kategori, Anda bisa membuat kurva Kaplan-Meier untuk masing-masing variabel dan melihat apakah mereka secara proporsional kira-kira satu sama lain.

— Lembah kecil
sumber

Termasuk koefisien yang bervariasi waktu dalam model juga berarti untuk memeriksa asumsi PH

— boscovich

Menggunakan mekanisme pembobotan seperti IPTW bahkan akan memungkinkan Anda membuat kurva Kaplan-Meier marginal untuk menilai bahaya proporsional secara visual dalam model dengan lebih dari sekadar variabel kategorikal.

— Fomite