Question

在这里，我展示了一个带有rcs术语的生存模型。我想知道rms包下的anova（）是否是测试线性关联的方法？如何解释非线性项的P值（参见此处0.094），是否支持在cox模型中添加rcs（）项？

library(rms)
data(pbc)
d <- pbc
rm(pbc, pbcseq)
d$status <- ifelse(d$status != 0, 1, 0)
dd = datadist(d)
options(datadist='dd')

# rcs model
m2 <- cph(Surv(time, status) ~  rcs(albumin, 4), data=d)
anova(m2)

Wald Statistics      Response: Surv(time, status) 
Factor     Chi-Square d.f. P     
albumin    82.80      3    <.0001
Nonlinear   4.73      2    0.094 
TOTAL      82.80      3    <.0001

Answer 1

正确的测试方法是对两个模型的对数似然（又称偏差）进行模型比较：完整和简化：

m2 <- cph(Surv(time, status) ~  rcs(albumin, 4), data=d)
anova(m2)
m <- cph(Surv(time, status) ~  albumin, data=d)

p.val <- 1- pchisq( (m2$loglik[2]- m$loglik[2]), 2 )

你可以看到使用不太准确的Wald统计量（在你的情况下，因为p值大于0.05时无论如何都不重要）推断的差异，而在Harrell用于他的例子中这个更准确的方法？ cph帮助页面。用他的例子：

> anova(f)
                Wald Statistics          Response: S 

 Factor     Chi-Square d.f. P     
 age        57.75      3    <.0001
  Nonlinear  8.17      2    0.0168
 sex        18.75      1    <.0001
 TOTAL      75.63      4    <.0001

你错误地得出结论，非常规术语在传统的0.05水平上是“重要的”。尽管创建模型的代码构造为完全线性的年龄（在对数危险等级上）：

h <- .02*exp(.04*(age-50)+.8*(sex=='Female'))

创建简化模式并进行比较：

f0 <- cph(S ~ age + sex, x=TRUE, y=TRUE)
anova(f0)
#-------------
                 Wald Statistics          Response: S 

 Factor     Chi-Square d.f. P     
 age        56.64      1    <.0001
 sex        16.26      1    1e-04 

 TOTAL      75.85      2    <.0001

2自由度差异的偏差差异不显着：

1-pchisq((f$loglik[2]- f0$loglik[2]),2)
[1] 0.1243212

我不知道为什么Harrell会留下这个例子，因为我已经采用了他的RMS课程并且知道他赞同将偏差的交叉模型比较作为更准确的方法。

如何解释rms下的非线性项的P值：anova？

1 个答案: