违反PH假设

Question

运行生存分析，假设关于变量的p值具有统计显着性 - 假设与结果呈正相关。但是，根据 Schoenfeld残差，违反了比例风险（PH）假设。

在纠正PH违规后，可能会发生以下哪种情况？

1. p值可能不再重要。
2. p值仍然很重要，但HR的大小可能会发生变化。
3. p值仍然显着，但关联方向可能会改变（即正关联可能最终为负）。

PH假设违规通常意味着需要在模型中包含交互效应。在简单线性回归中，包括新变量可能由于共线性而改变现有变量系数的方向。我们可以在上面的案例中使用相同的理由吗？

Answer 1

Therneau和Gramsch撰写了非常有用的文本“对生存数据进行建模”，其中有整整一章关于测试比例性。本章的最后是有关原因和建模替代方案的部分，我认为可以用它来回答这个问题。由于您提到了交互作用，因此有关特定p值的问题变得模棱两可且含糊不清。

1）当然，如果您选择了特定的测量作为感兴趣的对象，并且发现所有影响都是由于它与您碰巧也要测量的另一个变量的相互作用而引起的，那么您可能处于有利位置感兴趣的变量的p值将减小，可能会降为零。

2）几乎可以肯定的是，对具有不同结构的模型进行修改（例如，将添加随时间变化的协变量或对时间进行不同的处理）将导致特定协变量的估算HR不同，我认为这会无法预测变化的方向。

3）关于系数的正负号是否可以更改，我非常确定这也是可能的。我正在考虑的场景是由两组说男女混合而成，一组中有一个子组，其早期死亡率大大提高，例如乳腺癌，而该组中尚存的成员将有更好的生存预期。基本模型可能显示正系数（高风险），而能够识别处于危险中的亚组的模型将使与性别相关的系数变为负（较低风险）。