Question

我正在进行R中的生存分析，但我想更好地理解“生存”库中的coxph函数如何计算单次观察的危险率。我的理解是，Cox比例风险模型的形式有一个回归：

h（t）= h0（t）* e ^（ßX）

其中h0（t）是基线危险率，ß是回归中系数的向量，X是模型中变量的向量。

模型在以下调用中定义：

mod.timed <- coxph(Surv(start, stop, event) ~ revenue + c_months + pct_month_change + lmr + c_declines, data = big_spenders.long, method = "breslow")

这产生以下系数：

收入：-3.364925e-06
c_months：-1.841606e-01
pct_month_change：-1.080881e-02
lmr：1.001214e-06
c_declines：3.762748e-01

我已经对survexp（）进行了以下调用，以获得我的数据集中每个观察的预期存活率：

test_surv <- survexp(event ~ revenue + c_months + pct_month_change + lmr + c_declines, ratetable=mod.timed, data = big_spenders.long, cohort = FALSE)

除非我尝试为以下示例重新创建survexp（）的输出，否则这一切都很好：

收入：22333.55
c_months：16
pct_month_change：.8999741
lmr：11754.66
c_declines：0

test_surv的输出是生存率，因此我采用1 - test_surv [观察]来获得危险率.0002783463。当我尝试使用下面写的两个函数复制这个结果时，然而：

  get_vars <- function(observation, model){
  vars <- vector(mode = "numeric", length = length(model$coefficients))
  cfs <- names(model$coefficients)
  for(i in 1:length(cfs)){
    vars[i] <- observation[1, which(names(observation) == cfs[i])]
  }
  vars
}

hazard_rate <- function(time, observation, model){
  baseline <- basehaz(model, centered = TRUE)

  cfs <- unname(model$coefficients)

  vars <- get_vars(observation, model)

  hazard_rate <- baseline[[1]][time] * exp(sum(vars * cfs))

  hazard_rate
}

然而，我自己的函数的结果是0.0006081559。虽然我不怀疑来自survexp（）的输出是正确的，但我想确切地理解为什么来自survexp（）的输出与我的计算（我也已经手工制作）不同。对survexp（）的调用是什么，我不期待它？对此方法/主题的任何评论或反馈都非常感谢。

Cox比例风险模型与Coxph（）输出之间的断开？

0 个答案: