Question

我从某种日子开始自学R，而且我坚持使用cox回归分析。

我设法使用cut()函数将我拥有的每个连续变量划分为2个分类组。现在我想知道我是否可以在cox回归分析中单独组合这些类别。

例如：我有3个变量（A，B，C），每个变量由2个类别组成：A-，A +＆amp; B-，B +＆amp; C-，C +。现在，如果我运行coxph()命名变量我只得到“+”类别的结果（据我所知，因为“ - ”类别用作参考组）。然而，由于C-似乎对生存有负面影响，我更感兴趣的是收到该类别的结果。

另外我想知道是否有一种方法可以将每个类别定义为一个新的组/变量，并将它们单独组合以查看每个类别对生存的影响？或者这是不必要的？

编辑：我会尝试提供一个更具体的例子，我希望它有效：）

#example data:
test<-structure(list(A = c(8, 6, 42, 97, 55, 1, 5, 7, 55, 4), B = c(93, 9, 65, 2, 51, 89, 1, 1, 5, 62), C = c(58, 99, 100, 98, 92, 100, 99, 95, 81, 67), time = c(1.6, 34.6, 1.5, 35.8, 7.7, 38.6, 40.2, 4.7, 37.6, 8.6), event= c(1, 0, 0, 0, 1, 0, 0, 1, 0, 1)))
mydata<-as.data.frame(test)

看起来应该是这样的：

 mydata
    A  B   C time status
1   8 93  58  1.6      1
2   6  9  99 34.6      0
3  42 65 100  1.5      0
4  97  2  98 35.8      0
5  55 51  92  7.7      1
6   1 89 100 38.6      0
7   5  1  99 40.2      0
8   7  1  95  4.7      1
9  55  5  81 37.6      0
10  4 62  67  8.6      1

关于上述问题，这是我到目前为止所做的：

#load survival package
library("survival")

#define variables
A <- c(mydata[1:10,1])
B <- c(mydata[1:10,2])
C <- c(mydata[1:10,3])
OS <- c(mydata[1:10,4])
Event <- c(mydata[1:10,5])

# dependent and independent variables
y <- Surv(OS, Event)
x <- cbind(A, B, C)
mydata <- data.frame(cbind(x,y))

#Cox proportional hazard model, with the "raw data"
coxph1 <- coxph(y~x,data=mydata, method="breslow")
summary(coxph1)

#categorising the variables

CA=cut(mydata$A, br=c(-1,20,101), labels = c("[A-]", "[A+]"))
CB=cut(mydata$B, br=c(-1,20,101), labels = c("[B-]", "[B+]"))
CC=cut(mydata$C, br=c(-1,96,101), labels = c("[C-]", "[C+]"))

#Cox regression, combined with cut intervals
coxph2=coxph(y~CA+CB+CC, data=mydata, method="breslow")
summary(coxph2)

预期的输出是：

coxph(formula = y ~ x, data = mydata, method = "breslow")

  n= 10, number of events= 4 

         coef  exp(coef)   se(coef)      z Pr(>|z|)
xA  0.0001443  1.0001443  0.0238329  0.006    0.995
xB  0.0104826  1.0105378  0.0211830  0.495    0.621
xC -0.0497490  0.9514682  0.0383305 -1.298    0.194

   exp(coef) exp(-coef) lower .95 upper .95
xA    1.0001     0.9999    0.9545     1.048
xB    1.0105     0.9896    0.9694     1.053
xC    0.9515     1.0510    0.8826     1.026

Concordance= 0.769  (se = 0.167 )
Rsquare= 0.29   (max possible= 0.799 )
Likelihood ratio test= 3.43  on 3 df,   p=0.33
Wald test            = 3.3  on 3 df,   p=0.3476
Score (logrank) test = 4.24  on 3 df,   p=0.2364


coxph(formula = y ~ CA + CB + CC, data = mydata, method = "breslow")

  n= 10, number of events= 4 

             coef  exp(coef)   se(coef)      z Pr(>|z|)
CA[A+] -1.036e+00  3.549e-01  1.262e+00 -0.821    0.412
CB[B+]  4.294e-01  1.536e+00  1.274e+00  0.337    0.736
CC[C+] -2.162e+01  4.095e-10  2.094e+04 -0.001    0.999

       exp(coef) exp(-coef) lower .95 upper .95
CA[A+] 3.549e-01  2.818e+00    0.0299     4.213
CB[B+] 1.536e+00  6.509e-01    0.1266    18.653
CC[C+] 4.095e-10  2.442e+09    0.0000       Inf

Concordance= 0.904  (se = 0.165 )
Rsquare= 0.542   (max possible= 0.799 )
Likelihood ratio test= 7.8  on 3 df,   p=0.05031
Wald test            = 1.15  on 3 df,   p=0.7653
Score (logrank) test = 6.42  on 3 df,   p=0.09288

Answer 1

首先，有几次会有不必要的错综复杂的代码。测试数据可以写成：

mydata <- data.frame(A = c(8, 6, 42, 97, 55, 1, 5, 7, 55, 4), 
                     B = c(93, 9, 65, 2, 51, 89, 1, 1, 5, 62), 
                     C = c(58, 99, 100, 98, 92, 100, 99, 95, 81, 67), 
                     time = c(1.6, 34.6, 1.5, 35.8, 7.7, 38.6, 40.2, 4.7, 37.6, 8.6), 
                     event= c(1, 0, 0, 0, 1, 0, 0, 1, 0, 1))

您可以写OS <- c(mydata[1:10,4])代替OS <- mydata$time，但不需要将它们视为mydata。如您所见，该模型与您问题中的第一个模型相同：

> (coxph1 <- coxph(Surv(time, event) ~ ., data=mydata, method="breslow"))
Call:
coxph(formula = Surv(time, event) ~ ., data = mydata, method = "breslow")

       coef exp(coef)  se(coef)     z    p
A  0.000144  1.000144  0.023833  0.01 1.00
B  0.010483  1.010538  0.021183  0.49 0.62
C -0.049749  0.951468  0.038331 -1.30 0.19

Likelihood ratio test=3.43  on 3 df, p=0.33
n= 10, number of events= 4

关于单独组合协变量的问题 - ~.表示使用所有其他协变量。您可以使用~ A + B + C或任何其他组合专门指定它们。

关于更改参考类别 - 只需要＆gt; 2类别。系数的含义是类别和参考类别之间的差异。如果只有2个类别，那么改变参考将给出相同的系数，比特为＆＃39; - ＆＃39;标志。要更改因子中的参考类别，请使用relevel函数：

 mydata$CA <- cut(mydata$A, br=c(-1,20,101), labels = c("[A-]", "[A+]"))
 mydata$CB <- cut(mydata$B, br=c(-1,20,101), labels = c("[B-]", "[B+]"))
 mydata$CC <- cut(mydata$C, br=c(-1,96,101), labels = c("[C-]", "[C+]"))

mydata$CA <- relevel(mydata$CA, 2)
> (coxph1 <- coxph(Surv(time, event) ~ CA, data=mydata, method="breslow"))
Call:
coxph(formula = Surv(time, event) ~ CA, data = mydata, method = "breslow")

        coef exp(coef) se(coef)    z    p
CA[A-] 0.559     1.749    1.158 0.48 0.63

希望这会有所帮助：）

使用类别作为新变量？

1 个答案: