我对使用coxph（）和预测（Surv（））有一些疑问。我知道我的问题有点长，也许我没有很好地解释自己，但任何评论或建议都表示赞赏。
我正在尝试制作一个Cox PH模型和屋顶修复预测。我有5个输入变量（协变量）：
House_Age（也称为Start），House_Price，Roof_Material_Grp_New，Land_Ownership_Status_Grp，Living_Status_Grp
正如名称所示，前两个是数字变量，最后三个是分类。我的问题是我想让House_Age的危险取决于时间。我选择做数据分析＆＃39;对于House_Age的每三年（所以House_Age变成变量Start） - 例如，在7年后事件发生的情况下，数据看起来像
Start Stop Event_01_Ts
0 3 0 (Censored)
3 3 0 (Censored)
6 1 1 (Event)
Start等于House_Age。正如我在Start组的每个值的估计中所看到的那样，直到大约40年才出现线性依赖，因此我选择最大Start / House_Age为40且线性关系
Cox_Mod_Lin <- coxph(Surv(Stop,Event_01_Ts) ~ Start+Roof_Material_Grp_New+House_Contract_Yen+Land_Ownership_Status_Grp+Living_Status_Grp,data=Abt_Roof_Ts_Mdl)
该模型在0.1916的Start变量和1.211的指数值上具有线性系数
coef exp（coef）se（coef）z Pr（＆gt; | z |）
开始1.916e-01 1.211e + 00 6.817e-03 28.112＆lt; 2e-16 ***
看着孤立的Start / House_Age，危害每年增加21％ - 是正确的吗？我的问题是，现在我想做出修复的预测＆＃39;例如，怀孕1年，5年和10年。首先，我尝试使用survfit和零向量作为输入来找到基线危险函数
Base <- survfit(Cox_Mod_Lin,Abt_Baseline,type='aalen')
Base_Time_Hz <- as.data.frame(cbind(Base$time,Base$cumhaz))
Base_Time_Hz_1yr <- Base_Time_Hz[which(Base_Time_Hz$Time==1),]
此处Abt_Baseline包含数字变量的零和组的零级组值。由此我发现时间= 1,5和10的累积危险（仅显示1年）并将其乘以＆＃34; lp＆＃34;的指数。通过使用预测函数找到预测。
一年的预测：
Pred_01<-Base_Time_Hz_1yr$Cumhaz*exp(predict(Cox_Mod_Lin,Abt_Roof_Score, type="lp"))
如果没有时间相关的输入，但是将来危险随着Start（= House_Age）变量的变化而变化，这是可以的。我知道Start的未来值（每年增加1）所以我想我可以在预测期内以某种方式进行整合。所以我有两个主要问题：
有人能帮助我吗？