我对生存分析很陌生，所以我的问题对大多数人来说都是天真的，我道歉。
我有一些左右删失的遥测数据。
我首先要估计3个虚拟解释变量对生存的影响，所以我使用了Anderson-Gill模型（来自Cox模型的扩展）。在这里，危害是性别，研究区域（地区）和年龄等级的函数（年龄分为3个年龄组：小猫（0-1岁），一岁（1-2岁）和成人（超过2岁））。主要的“问题”是年龄类变量是一个依赖于时间的协变量。有些人在几年内被跟踪，因此在研究期间改变了年龄组。该模型的输出提供了我测试的每个变量对生存（性别，地区和年龄等级）的影响。我可以使用<body>轻松预测生存（S（t）），并预测曲线代表其协变量与新数据中的值相对应的群组。
我的最终目标是估计每个队列（即来自北方地区的男性成年人）的平均年存活率，以便将这些估计值用作年龄结构矩阵群体模型的输入。我首先想到的是从survfit()函数得到一个简单的生存估计平均值S（t）然后我意识到时间依赖的协变量似乎使估计更复杂。我甚至想知道是否可以用Cox模型估算每个队列的平均年存活率。也许年度Kaplan-Meier生存估计应该可行吗？是否可以从survfit()获取它？
是否有人必须进行同样的分析？ 以下是R代码，总结了我为估计每个协变量的影响所做的工作：
survfit()答案 0 :(得分：0)
我认为这个问题应该可以转到Cross-Validated。但这是我的看法：你应该使用逻辑回归模型。一旦受试者存活了一段时间，他们就不会受到审查，但您发现失败并且他们在新的年龄重新进入该队列。它们不是独立的，除非生存过程是条件无记忆的（一个复杂的鞅属性与统计无关，因为它是一个不可能的测试假设）。您可以通过观察每个受试者的特定存活间隔来构建独立样本。将这些结果与作为独立数据处理每个受试者特定年龄 - 间隔的假概率进行比较，然后检查随机效应模型并验证随机截距的方差与固定效应的95％CI相比相对较小。