MerQuR+Başvuru Kitabı

148. Karma etkili Cox modeli: log-normal kırılganlık

Şablon kimliği: karma_etkili_cox · Kategori: sağkalım · Dil: R · Dosya: pro/sablonlar/sagkalim/karma_etkili_cox.R (satır 1–203; üstbilgi 1–96) · Örnek veri: _ornek/eortc.csv · Paketler: coxme 2.2-22, survival 3.8-6

148.1 Ne işe yarar

Şablon, merkeze ya da kümeye göre kümelenmiş sağkalım verisinde Cox orantılı tehlikeler modelini, her merkez için rastgele bir etki ekleyerek kurar. Cevapladığı soru: "Merkezler arasındaki farkı hesaba katınca tedavinin (ya da başka bir sabit etkinin) tehlike oranı kaç ve merkezler arasında ne kadar değişkenlik var?" Örnekte çok merkezli EORTC verisinde (37 merkez, 2323 hasta, 1463 olay) tedavi etkisi (trt) merkez etkisi kontrol edilerek kestirilir.

Model, merkez g içindeki i kişisi için tehlikeyi

\lambda_{gi}(t)=\lambda_0(t)\,\exp\!\bigl(x_{gi}'\beta+u_g\bigr),\qquad u_g\sim N(0,\sigma^2)

yazar; \exp(u_g) log-normal kırılganlıktır (merkezin ortak, gözlenmeyen riski). İsteğe bağlı olarak merkez içinde bir alt grup h için ikinci bir rastgele etki eklenir (u_g+v_{gh}, iç içe yapı; Therneau vd., 2003). Sabit etkilerin tehlike oranı \exp(\beta), koşulludur: aynı merkez (aynı rastgele etki) içindeki iki kişi arasındaki orandır.

Ne zaman kullanılır?

  • Çok merkezli çalışma, hastane ya da okul gibi kümelenmiş sağkalım verisi; merkez sayısı üç ya da fazla ve merkezler bir evrenden örnek sayılabiliyor.
  • Merkezler arası değişkenliğin büyüklüğü de istenir (varyans, merkezlerin tipik göreli riski).
  • Merkez içinde alt gruplar varsa (merkez/servis, okul/sınıf) iç içe yapı.

Ne zaman kullanılmaz?

  • Aynı bireyde birden çok olay varsa (yinelenen olay): yineleyen_olay (Bölüm 154); orada birey kırılganlığı gamma ya da log-normal olabilir.
  • Çok sayıda aday öngörücüden seçim yapılacaksa: cezali_cox (Bölüm 143).
  • Merkez sayısı çok az (üçten az) ya da yalnız verideki merkezler ilgi konusuysa: merkezi sabit etki (tabaka ya da gösterge) olarak koymak daha uygundur; şablon üç düzeyden azını reddeder.
  • Rastgele eğim (tedavi etkisinin merkezlere göre değişmesi) ya da çapraz (iç içe olmayan) rastgele etkiler isteniyorsa: şablon yalnız kesişim türü rastgele etki ve iç içe yapı kurar.
  • Zaman ölçeği kesikli ise: kesikli_zaman_sagkalim (Bölüm 149).

Temel programla ilişki. Temel programda rastgele etkili Cox modeli yoktur; Cox regresyonu rastgele etkisizdir. Bu şablonun son tablosu, aynı sabit etkilerle rastgele etkisiz Cox modelini (coxph) karşılaştırma olarak verir.

148.2 Şablonun girdileri

Form on iki [[param]] bloğundan kurulur (karma_etkili_cox.R:10–95). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Süre · sure sayısal sütun · Değişkenler yok (zorunlu) pozitif sayılar T (10–14, 113–114).
Olay göstergesi · olay sayısal sütun · Değişkenler yok (zorunlu) yalnız 0 ve 1 \delta (15–19, 115).
Sabit etkiler · x sütunlar · Değişkenler yok (en az 1) herhangi sütunlar Sağ taraf x'\beta (20–25, 104, 120–128).
Rastgele etki grubu · grup kategorik sütun · Değişkenler yok (zorunlu) en az 3 düzey (1 | .g) (26–30, 117–118, 129).
İç içe alt grup · ic_grup kategorik sütun · Değişkenler boş (isteğe bağlı) gruptan farklı sütun (1 | .g/.i) (31–36, 101, 119, 129).
Bağ düzeltmesi · baglar seçim · Model efron efron, breslow coxme(ties =), coxph(ties =) (37–43, 152, 154).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 Wald GA (44–52, 161).
Laplace düzeltmesi benzetim sayısı · inceltme tamsayı · Gelişmiş 0 0–10 000 refine.n; kestirilen düzeltme ve SH olabilirlik tablosunda yazılır (53–61, 153, 188–192).
En çok Newton–Raphson yinelemesi · maks_yineleme tamsayı · Gelişmiş 20 1–1000 coxme.control(iter.max =) (62–70, 145).
Yakınsama ölçütü · eps ondalık · Gelişmiş 10^{-8} 10^{-14}–0,01 coxme.control(eps =) (71–79, 145).
Varyans en büyüklemesi göreli toleransı · opt_tol ondalık · Gelişmiş 10^{-5} 10^{-14}–0,1 optpar = list(method = "BFGS", control = list(reltol =)) (80–88, 146).
Bilgi matrisini yoğun çöz · yogun onay · Gelişmiş kapalı açık/kapalı coxme.control(sparse = c(1e5, 0.02)): ≥ 50 sütunda seyrek yaklaşımı kapatır (89–95, 144, 147).

Örnek ayar (ornek_param, satır 9): sure = y, olay = uncens, x = trt, grup = center.

Şablonun kendi denetimleri (hepsi mq_hata ile çalıştırmayı durdurur):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 100
Süre ve olay aynı sütun "Süre ve olay değişkenleri farklı olmalı." 102
İç içe alt grup = grup "İç içe alt grup, gruptan farklı olmalı." 103
Süre, olay ve gruptan farklı sabit etki yok "…en az bir sabit etki seçin." 107
Eksiksiz 10'dan az satır "En az 10 tam satır gerekli." 112
Süre \le0 "Süreler pozitif olmalı." 114
Olay 0/1 dışında "Olay göstergesi yalnız 0 ve 1 değerlerini almalı." 115
5'ten az olay "En az 5 olay gerekli." 116
Grupta 3'ten az düzey "Grup değişkeninde en az 3 düzey gerekli." 118
Sabit (tek düzeyli) sabit etki "'x' sabit (tek düzeyli); sabit etkilerden çıkarın." 124
Model kurulamadı "Model kurulamadı: …" 142
Sabit etkiler sonlu değil "Sabit etkiler kestirilemedi (eş doğrusallık ya da ayrışma olabilir)." 160

Notlar (çalıştırmayı durdurmaz): x içinde süre, olay ya da grup sütunu varsa sabit etkilerden çıkarılır ve bu not edilir (104–106); eksik değerli satırlar çıkarılır ve sayıları (kalan n ile) not edilir (109–111); coxme uyarıları ("Ran out of iterations and did not converge" gibi) çıktının başında, model özetinden önce yazılır (155); rastgele etki sütunu sayısı 50 ve üzerindeyse (ve yogun kapalıysa) seyrek yaklaşım notu yazılır (148–151). Metin ya da mantıksal sabit etki factor'a çevrilir (121). Süre ve olay sayısal rol sütunudur; metin türündeki durum göstergesini form reddeder (Bölüm 1.2).

Tohum. Şablon, refine.n = 0 iken rastgelelik kullanmaz; sonuç belirleyicidir. inceltme > 0 ise coxme Laplace yaklaşımının hatasını Monte Carlo ile kestirir ve bu kestirim kod panelinin tohumuna bağlıdır (Bölüm 1.3); kestirilen düzeltme ve benzetim standart hatası olabilirlik tablosunun son iki satırında yazılır, kestirimler değişmez (188–192).

148.3 Örnek veri

eortc.csv: coxme paketinin eortc verisi (Therneau, 2026); çok merkezli bir EORTC çalışması. 2323 satır, 1463 olay (860 sansür), eksik değer yok.

Değişken Rol Tür (veri sekmesi) Özet
y süre sayısal 4,80 – 3505; 2323 farklı değer (bağ yok)
uncens olay göstergesi (1 = olay) ikili 1463 olay
center rastgele etki grubu sayısal 37 merkez; merkez başına 21–247 hasta, 11–110 olay
trt sabit etki ikili (0/1) trt = 1: 1655 hasta (1144 olay); trt = 0: 668 hasta (319 olay)

Düzey sırası. center sayısal bir kimliktir ve factor düzeyleri sayısal sırayla gelir (Bölüm 1.3); rastgele etkide sıra sonucu değiştirmez (yeniden kodlanmış merkez kimliğiyle çalıştırma aynı sonucu verir). trt 0/1 sayısal sabit etki olarak tek katsayı verir; Veri sekmesinde "kategorik" yapılırsa factor olur ve katsayı trt1 adını alır (sayısal etiketler sayısal sırayla dizildiğinden başvuru düzeyi 0'dır; değer aynıdır). Metin sabit etkide başvuru düzeyi, üç düzeyli sütunda ilk görülen düzeydir (ev: A, B, C düzeyleri verinin ilk satırlarında C'den başladığından başvuru C'dir ve katsayılar evA, evB olur); iki düzeyli metin sütununda alfabetik ilk düzeydir (cins: erkek başvuru, katsayı cinskadin). Bölüm 1.3'teki kural budur.

Bu bölümde kullanılan çalıştırmalar: ke_ornek (örnek ayar); ke_breslow; ke_guven90, ke_guven99; iç içe yapılar ke_ic (merkez içinde 3 alt grup, alt) ve ke_ic_trt (ic_grup = trt); ke_yas (ikinci sabit etki); ke_kat (kategorik sabit etkiler ev, cins); ke_trt_kat (trt kategorik); bağlı veri ke_bag (Efron) ve ke_bag_breslow (süreler 100 birime yuvarlanmış); denetim çalıştırmaları ke_inceltme, ke_iter3, ke_eps, ke_opt_tol; değişmezlik çalıştırmaları ke_karisik (satır sırası), ke_yil (süre gün yerine yıl), ke_yeniden_kodla (merkez kimlikleri yeniden kodlanmış), ke_metin_grup (merkez adları metin); sınır durumları ke_sifir, ke_neg, ke_kod12, ke_eksik, ke_grup2 (2 merkez), ke_azolay (3 olay), ke_sabit, ke_ic_ayni, ke_grup_x. Ek veriler veri_uret.py ile türetilmiştir (tohum 11).

148.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (i) veri doğrulanır, merkez (ve alt grup) factor'a çevrilir, formül kurulur; (ii) coxme ile model uydurulur; (iii) aynı sabit etkilerle rastgele etkisiz coxph uydurulur; (iv) coxme özeti yazılır; (v) sabit etkiler, rastgele etkiler ve olabilirlik tabloları verilir; (vi) merkez etkileri şekil olarak çizilir.

148.4.1 Model ve kısmi olabilirlik

Bağsız veride rastgele etkili kısmi log-olabilirlik

\ell(\beta,u)=\sum_{(g,i)}\delta_{gi}\Bigl[\eta_{gi}-\log\sum_{(g',i')\in R_{gi}}e^{\eta_{g'i'}}\Bigr],\qquad \eta_{gi}=x_{gi}'\beta+u_g,

R_{gi} risk kümesidir. Bağlı olaylarda Efron (varsayılan; 37–43) ya da Breslow paydası kullanılır (Efron, 1977; Breslow, 1974).

  • \beta: sabit etkiler (log tehlike oranı); u=(u_1,\dots,u_G): merkez etkileri, u\sim N(0,\Sigma), \Sigma=\sigma^2 I (iç içe yapıda \Sigma=\mathrm{blokdiag}(\sigma_g^2 I,\sigma_h^2 I)).
  • \exp(\sigma): merkezin ortalamanın bir standart sapma üstündeki göreli riski ("tipik göreli risk"; tabloda tipik_goreli_risk).

148.4.2 Entegre kısmi olabilirlik ve Laplace yaklaşımı

Varyans \sigma^2 verildiğinde (\hat\beta,\hat u), cezalı amacı \ell(\beta,u)-\tfrac12u'\Sigma^{-1}u Newton–Raphson ile en büyükleyen çözümdür (Ripatti ve Palmgren, 2000). Entegre olabilirlik rastgele etkiyi integralle atar ve integral Laplace yaklaşımıyla hesaplanır (Tierney ve Kadane, 1986; Vaida ve Xu, 2000):

\log L_{\mathrm{ent}}(\sigma^2)\approx\ell(\hat\beta,\hat u)-\tfrac12\,\hat u'\Sigma^{-1}\hat u-\tfrac12\log\det\bigl(I+\Sigma\,(-\nabla^2\ell)_{uu}\bigr).

\sigma^2, \log L_{\mathrm{ent}}'i en büyükleyen değerdir (BFGS, göreli tolerans opt_tol). Sabit etkilerin kestirimi \hat\beta en iyi \sigma^2'deki cezalı çözümdür ve standart hatası tam bilgi matrisinin [(-\nabla^2\ell)+\mathrm{blokdiag}(0,\Sigma^{-1})]^{-1} tersinin \beta bloğunun köşegenidir.

  • (-\nabla^2\ell)_{uu}: kısmi log-olabilirliğin rastgele etkilere göre ikinci türevinin (-) u bloğu; \log\det terimi Laplace yaklaşımının eğrilik düzeltmesi.
  • \ell(\hat\beta,\hat u) ("Fitted" log-olabilirlik): cezasız kısmi log-olabilirliğin \hat\beta, \hat u'daki değeri.

Neden entegre olabilirlik?

Cezalı (penalized) olabilirlik rastgele etkileri sabit parametre gibi işler ve varyans için olabilirlik oranı ya da bilgi ölçütü gibi araçları doğrudan vermez; rastgele etkileri integralle atan entegre olabilirlik verir. Örnekte \log L_{\mathrm{ent}}=-10520{,}65, "boş" model -10638{,}71, rastgele etkisiz Cox modeli -10585{,}88'dir.

Koddaki tercih: seyrek yaklaşım

coxme.control()'ün varsayılanı sparse = c(50, 0.02)'dir: en az 50 rastgele etki sütunu olan terimlerde coxme bilgi matrisini seyrek bir yaklaşımla çözer ve yoğun (tam) çözümden küçük sapmalar verir. Şablonda varsayılan bu yaklaşımı korur ve ≥ 50 sütunda bunu çıktıda not eder; Bilgi matrisini yoğun çöz (yogun) seçeneği sparse = c(1e5, 0.02) vererek yoğun çözümü kullanır (144–151). Tek düzeyli 37 merkez eşiğin altındadır (yoğun, tam çözüm); iç içe merkez/alt yapısı 37+111 sütunludur ve seyrek yaklaşım devreye girer: entegre log-olabilirlik -10518{,}5611 iken yoğun çözüm -10518{,}5498, merkez varyansı 0,10178'e karşı 0,10173, alt grup varyansı 0,022949'a karşı 0,023122'dir (148.6). Aynı yaklaşım tek düzeyli ama 50 ve üzeri gruplu verilerde de geçerlidir: 74 grupla (ke_grup74, merkez × tedavi birleşimi) entegre log-olabilirlik -10520{,}2048 iken yoğun çözüm -10520{,}0819, tedavi SH'si 0{,}10246'ya karşı 0{,}10324, varyans 0{,}10538'e karşı 0{,}10636'dır. yogun açıkken iç içe örnekte entegre log-olabilirlik -10518{,}5498, \hat\beta=0{,}704996 ve SH 0{,}064527 olur (bağımsız Python: -10518{,}5496, 0{,}705043, 0{,}064525).

148.4.3 Bağlar ve sabit etki tablosu

baglar = efron (varsayılan) bağlı olay zamanlarında Efron'un risk kümesi yaklaşımını kullanır; örnekte bağ yoktur ve iki yöntem aynıdır (ke_breslow). Süreler 100 birime yuvarlandığında (çok bağ; ke_bag) \hat\beta Efron'la 0{,}7092, Breslow'la 0{,}6954 çıkar (Breslow katsayıyı sıfıra doğru yanlar). Aynı yöntem rastgele etkisiz karşılaştırma modeline de uygulanır (137).

Sabit etki tablosu her terim için \hat\beta, SH, z=\hat\beta/SE, Wald p=2\Phi(-|z|), tehlike oranı \exp(\hat\beta) ve \exp(\hat\beta\pm z_{(1+\text{guven})/2}\,SE) aralığını verir (161–165). Rastgele etki tablosu her varyans bileşeninin varyansını, standart sapmasını \sigma ve \exp(\sigma) değerini yazar (167–171). İç içe yapıda coxme'nin adlandırmasıyla alt grup bileşeni "merkez/alt" adıyla ilk, merkez ikinci sırada gelir.

148.4.4 Olabilirlik tablosu ve rastgele etki testi

Tablo (175–193): olay sayısı ve n; boş model log-olabilirliği \ell_{\mathrm{null}} (\beta=0, u=0); entegre log-olabilirlik \ell_{\mathrm{ent}}; \chi^2_{\mathrm{LR}}=2(\ell_{\mathrm{ent}}-\ell_{\mathrm{null}}) ve sd =k_{\text{sabit}}+k_{\text{varyans}}; \mathrm{AIC}=\chi^2_{\mathrm{LR}}-2\,\mathrm{sd} (boş modele göre göreli; coxme çıktısındaki gibi); rastgele etkisiz Cox log-olabilirliği \ell_0; ve rastgele etki sınaması

\chi^2_{\mathrm{re}}=2(\ell_{\mathrm{ent}}-\ell_0),\qquad p=\tfrac12\,P\bigl(\chi^2_{k}>\chi^2_{\mathrm{re}}\bigr),\ k=\text{varyans bileşeni sayısı}.

Tek varyans bileşeninde bu, sınırda olan bir parametre için doğru karışımdır, \tfrac12\chi^2_0+\tfrac12\chi^2_1 (Self ve Liang, 1987); k varyans bileşeninin hepsini birlikte sıfırla karşılaştıran sınamada karışım \sum_j 2^{-k}\binom{k}{j}\chi^2_j ağırlıklıdır: iç içe yapıda (k=2) \tfrac14\chi^2_0+\tfrac12\chi^2_1+\tfrac14\chi^2_2 (Stram ve Lee, 1994) ve şablon p değerini bu karışımdan hesaplar (174; örn. \chi^2_{\mathrm{re}}=5{,}99 için 0{,}0197). Satır adı bu sınamanın bütün varyansları birlikte sıfırla karşılaştırdığını söyler. Örnek ayarda \chi^2_{\mathrm{re}}=130{,}45 ve p=1{,}6\times10^{-30}'dur.

148.4.5 Şekil

Şekil, coxme::ranef'in son terimini (iç içe yapıda dış grup, yani merkez) sıralayıp \exp(\hat u_g)'yi nokta grafiğiyle çizer; dikey kesikli çizgi 1'dedir (195–202). Bu, tahmin edilen (BLUP benzeri) merkez etkileridir; rastgele etkilerin varyansı (0{,}108) kadar yayılırlar ve belirsizlikleri gösterilmez.

148.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
97–106 Paketler, veri, süre ≠ olay, iç içe alt grup, xs <- setdiff(x, süre, olay, grup) Grup ya da olay x'te seçilmişse sabit etkilerden çıkarılır ve not edilir.
108–119 Eksiksiz satırlar (çıkarılan satır notu), pozitif süre, 0/1 olay, en az 5 olay, grup en az 3 düzey, iç grup factor Çıkarılan satır sayısı yazılır.
120–125 Sabit etkilerin factor/droplevels, sabit sütun denetimi Metin ve mantıksal sütun factor olur.
127–139 Formül: Surv(y, uncens) ~ trt + (1 | .g) ya da (1 | .g/.i); rastgele etkisiz formül Değişken adları ters tırnakla korunur; .g/.i iç adlardır.
130–137 ad_esle: çıktıdaki .g, .i'yi kullanıcının sütun adlarıyla değiştirir Yalnız tam ad eşleşmesi.
140–155 coxme ve coxph; kontrol değerleri yalnız varsayılandan farklıysa verilir; yoğun çözüm seçeneği ve seyrek yaklaşım notu; uyarılar Uyarılar uyari'da toplanır ve model özetinden önce yazılır (155).
156 print(m) yakalanıp yazılır coxme özeti (yineleme sayısı, log-olabilirlik, AIC/BIC, katsayılar, varyans).
158–165 \hat\beta, SH (vcov), Wald z, p, HR, GA; sonlu olmayan değerde hata Tablo 1.
167–171 VarCorr → varyans, SS, \exp(\mathrm{SS}) Tablo 2.
173–193 Olabilirlik tablosu, rastgele etki LR ve karışım p değeri (p_karisim), Laplace düzeltmesi satırları Tablo 3.
195–203 Merkez etkileri şekli Son terim.

148.6 Elle hesap: örnek veride bağımsız yeniden hesap

Bağımsız Python coxme'yi ve survival'ı çağırmaz: kısmi olabilirliğin gradyanını ve Hesse matrisini (Efron paydalarıyla) risk kümesi toplamlarından kendisi kurar, (\beta,u) üzerinde cezalı Newton adımlarını 10^{-11}'e kadar yineler, entegre log-olabilirliği 148.4.2'deki formülle hesaplar ve \sigma^2 üzerinde ayrıca Brent (tek bileşen) ya da Nelder–Mead (iç içe) ile en büyükler. R tarafı survival::coxph ile ridge(\theta = 1/\sigma^2) kullanır (cezalı en büyükleyici) ve entegre log-olabilirliği coxph(Surv ~ offset(lp))'den alınan \ell ve cezalı bilgi matrisinin tersinden açık formülle hesaplar.

Adım 1 — Rastgele etkisiz Cox. Bağımsız Python Newton ile \hat\beta_{\mathrm{trt}}=0{,}618262 (SH 0{,}063429), log-olabilirlik -10585{,}8815; boş model -10638{,}7103. Şablon olabilirlik tablosunda -10585{,}88 ve -10638{,}71 yazar. Rastgele etki eklenince \hat\beta 0{,}618'den 0{,}709'a çıkar: merkez etkisini hesaba katmayan model tedavi etkisini küçümser.

Adım 2 — Şablonun \sigma^2'sinde cezalı çözüm. Şablonun kestirdiği \hat\sigma^2=0{,}1083818 verilince Python ve R, cezalı Newton ile \hat\beta=0{,}708613 (SH 0{,}064244) bulur; \ell(\hat\beta,\hat u)=-10478{,}8391 (coxme "Fitted": -10478{,}84). Şablon: 0{,}708613 ve 0{,}064244.

Adım 3 — Entegre log-olabilirlik. Aynı noktada \log L_{\mathrm{ent}}=-10520{,}6549035 (Python -10520{,}6549035, R aynı), şablon -10520{,}6549035.

Adım 4 — Varyansın en iyisi. Python ve R \log L_{\mathrm{ent}}'i \sigma^2 üzerinde Brent ile en büyükler: \hat\sigma^2=0{,}108349 ve \log L_{\mathrm{ent}}=-10520{,}6549030 (R: 0{,}108349 ve -10520{,}6549030). Şablonun 0{,}108382 değeri bundan göreli 3\times10^{-4} ayrılır: coxme varyansı BFGS ile 10^{-5} göreli toleransta durdurur ve ölçüt tepe noktasında düzdür (log-olabilirlik farkı 10^{-6}'dan küçük). opt_tol büyütülürse fark büyür: 10^{-2} ile varyans 0{,}1352, \hat\beta=0{,}7112 olur (148.8).

Adım 5 — Wald çıkarımı. z=0{,}708613/0{,}064244=11{,}0300; p=2\Phi(-11{,}03)=2{,}74\times10^{-28}; \exp(0{,}708613)=2{,}03117; %95 GA \exp(0{,}708613\pm1{,}959964\cdot0{,}064244)=(1{,}79086;\ 2{,}30373). Şablon aynı.

Adım 6 — Rastgele etki. \sigma=\sqrt{0{,}108382}=0{,}329214, \exp(\sigma)=1{,}38988: bir SS üstteki bir merkezin riski ortalamanın 1,39 katıdır. \chi^2_{\mathrm{LR}}=2(-10520{,}6549+10638{,}7103)=236{,}1109, sd =2, \mathrm{AIC}=236{,}1109-4=232{,}1109; rastgele etki \chi^2_{\mathrm{re}}=2(-10520{,}6549+10585{,}8815)=130{,}4531, p=\tfrac12P(\chi^2_1>130{,}4531)=1{,}63\times10^{-30}.

Adım 7 — Yayımlı değerler. coxme vinyeti (eortc): \hat\beta_{\mathrm{trt}}=0{,}7086 (SH 0{,}0642), merkez varyansı 0{,}1084; şablon 0{,}7086, 0{,}0642 ve 0{,}1084.

Adım 8 — Başka tasarımlar. İki sabit etkili (ke_yas), kategorik sabit etkili (ke_kat), Breslow ve Efron bağlı (ke_bag, ke_bag_breslow), eksik satırlı (ke_eksik) çalıştırmalar bağımsız Python ve R ile 10^{-6} içinde örtüşür. İç içe yapılarda (ke_ic, ke_ic_trt) şablon ile bağımsız hesap arasındaki fark coxme'nin seyrek yaklaşımından gelir (148.4.2): şablonun kendi \sigma^2'lerinde bağımsız Python ve R birbiriyle 10^{-8} içinde eşleşir, şablonla fark entegre log-olabilirlikte 0{,}0115 (10^{-6} göreli), \hat\beta için 3\times10^{-6}, SH için en çok 9\times10^{-4}'tür; coxme'yi yoğun hesapla (sparse kapalı) çalıştırınca \log L_{\mathrm{ent}}=-10518{,}5498 olur; bağımsız Python'un \sigma^2 üzerindeki en büyüklemesi -10518{,}5496'dır (\hat\sigma^2_{\mathrm{merkez}}=0{,}10199, \hat\sigma^2_{\mathrm{alt}}=0{,}022895; fark coxme'nin BFGS durdurmasından). 74 gruplu tek düzeyli veride (ke_grup74) bağımsız Python ve yoğun coxme 10^{-6} içinde örtüşür (entegre -10520{,}0819, \hat\beta=0{,}763844, SH 0{,}103243, varyans 0{,}106360); şablonun (seyrek) değerleri bundan 0{,}12 log-olabilirlik birimi ve SH'de %0,8 ayrılır.

148.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
Örnek ayar (Efron): β(trt) 0,7086127 0,7086127 0,7086127 2,3e−13 ✓
Örnek ayar (Efron): SH(trt) 0,06424398 0,06424398 0,06424398 6,2e−14 ✓
Örnek ayar (Efron): entegre log-olabilirlik −10520,65490349 −10520,65490349 −10520,65490349 9,5e−15 ✓
Örnek ayar (Efron): boş model log-olabilirliği −10638,71033327 −10638,71033327 −10638,71033327 1,2e−15 ✓
Örnek ayar (Efron): rastgele etkisiz Cox log-olabilirliği −10585,88145253 −10585,88145253 −10585,88145253 9,6e−15 ✓
Örnek ayar (Efron): LR ki-kare (entegre, boşa karşı) 236,11085957 236,11085957 236,11085957 1,2e−12 ✓
Örnek ayar (Efron): rastgele etki LR ki-karesi 130,45309808 130,45309808 130,45309808 2,1e−12 ✓
Örnek ayar (Efron): AIC (LR ki-kare − 2 df) 232,11085957 232,11085957 232,11085957 1,2e−12 ✓
Örnek ayar (Efron): rastgele etki LR p (0,5·P(χ²₁ > LR)) 1,630741·10−30 1,630741·10−30 — 7,8e−41 ✓
Breslow: β(trt) 0,7086127 0,7086127 0,7086127 2,3e−13 ✓
Breslow: SH(trt) 0,06424398 0,06424398 0,06424398 6,2e−14 ✓
Breslow: entegre log-olabilirlik −10520,65490349 −10520,65490349 −10520,65490349 9,5e−15 ✓
Breslow: boş model log-olabilirliği −10638,71033327 −10638,71033327 −10638,71033327 1,2e−15 ✓
Breslow: rastgele etkisiz Cox log-olabilirliği −10585,88145253 −10585,88145253 −10585,88145253 9,6e−15 ✓
Breslow: LR ki-kare (entegre, boşa karşı) 236,11085957 236,11085957 236,11085957 1,2e−12 ✓
Breslow: rastgele etki LR ki-karesi 130,45309808 130,45309808 130,45309808 2,1e−12 ✓
Breslow: AIC (LR ki-kare − 2 df) 232,11085957 232,11085957 232,11085957 1,2e−12 ✓
Bağlı veri, Efron: β(trt) 0,70917435 0,70917435 0,70917435 4,2e−13 ✓
Bağlı veri, Efron: SH(trt) 0,06425218 0,06425218 0,06425218 1,5e−13 ✓
Bağlı veri, Efron: entegre log-olabilirlik −10534,4428599 −10534,4428599 −10534,4428599 1,0e−14 ✓
Bağlı veri, Efron: boş model log-olabilirliği −10653,92007972 −10653,92007972 −10653,92007972 3,8e−15 ✓
Bağlı veri, Efron: rastgele etkisiz Cox log-olabilirliği −10600,94733326 −10600,94733326 −10600,94733326 2,6e−14 ✓
Bağlı veri, Efron: LR ki-kare (entegre, boşa karşı) 238,95443963 238,95443963 238,95443963 1,0e−12 ✓
Bağlı veri, Efron: rastgele etki LR ki-karesi 133,00894671 133,00894671 133,00894671 2,5e−12 ✓
Bağlı veri, Efron: AIC (LR ki-kare − 2 df) 234,95443963 234,95443963 234,95443963 1,0e−12 ✓
Bağlı veri, Breslow: β(trt) 0,69543159 0,69543159 0,69543159 6,1e−13 ✓
Bağlı veri, Breslow: SH(trt) 0,06422965 0,06422965 0,06422965 1,4e−13 ✓
Bağlı veri, Breslow: entegre log-olabilirlik −10565,0068543 −10565,0068543 −10565,0068543 1,1e−14 ✓
Bağlı veri, Breslow: boş model log-olabilirliği −10679,11540341 −10679,11540341 −10679,11540341 1,4e−15 ✓
Bağlı veri, Breslow: rastgele etkisiz Cox log-olabilirliği −10627,79102172 −10627,79102172 −10627,79102172 1,2e−14 ✓
Bağlı veri, Breslow: LR ki-kare (entegre, boşa karşı) 228,2170982 228,2170982 228,2170982 8,6e−13 ✓
Bağlı veri, Breslow: rastgele etki LR ki-karesi 125,56833484 125,56833484 125,56833484 1,8e−12 ✓
Bağlı veri, Breslow: AIC (LR ki-kare − 2 df) 224,2170982 224,2170982 224,2170982 8,8e−13 ✓
İki sabit etki (trt, yas): β(trt) 0,7079903 0,7079903 0,7079903 2,6e−13 ✓
İki sabit etki (trt, yas): SH(trt) 0,06424595 0,06424595 0,06424595 5,7e−14 ✓
İki sabit etki (trt, yas): β(yas) 0,00214133 0,00214133 0,00214133 9,9e−15 ✓
İki sabit etki (trt, yas): SH(yas) 0,00258404 0,00258404 0,00258404 1,6e−15 ✓
İki sabit etki (trt, yas): entegre log-olabilirlik −10520,31079844 −10520,31079844 −10520,31079844 1,1e−14 ✓
İki sabit etki (trt, yas): boş model log-olabilirliği −10638,71033327 −10638,71033327 −10638,71033327 1,2e−15 ✓
İki sabit etki (trt, yas): rastgele etkisiz Cox log-olabilirliği −10585,46418817 −10585,46418817 −10585,46418817 8,6e−16 ✓
İki sabit etki (trt, yas): LR ki-kare (entegre, boşa karşı) 236,79906966 236,79906966 236,79906966 6,3e−13 ✓
İki sabit etki (trt, yas): rastgele etki LR ki-karesi 130,30677945 130,30677945 130,30677945 8,3e−13 ✓
İki sabit etki (trt, yas): AIC (LR ki-kare − 2 df) 230,79906966 230,79906966 230,79906966 6,4e−13 ✓
Kategorik sabit etkiler (ev, cins): β(trt) 0,70986747 0,70986747 0,70986747 2,0e−13 ✓
Kategorik sabit etkiler (ev, cins): SH(trt) 0,06426686 0,06426686 0,06426686 6,5e−14 ✓
Kategorik sabit etkiler (ev, cins): β(evA) −0,06052646 −0,06052646 −0,06052646 1,7e−13 ✓
Kategorik sabit etkiler (ev, cins): SH(evA) 0,06457962 0,06457962 0,06457962 3,4e−14 ✓
Kategorik sabit etkiler (ev, cins): β(evB) −0,00322361 −0,00322361 −0,00322361 2,0e−13 ✓
Kategorik sabit etkiler (ev, cins): SH(evB) 0,06427909 0,06427909 0,06427909 1,6e−14 ✓
Kategorik sabit etkiler (ev, cins): β(cinskadin) −0,03135233 −0,03135233 −0,03135233 5,8e−13 ✓
Kategorik sabit etkiler (ev, cins): SH(cinskadin) 0,05273628 0,05273628 0,05273628 2,4e−15 ✓
Kategorik sabit etkiler (ev, cins): entegre log-olabilirlik −10519,91713092 −10519,91713092 −10519,91713092 1,1e−14 ✓
Kategorik sabit etkiler (ev, cins): boş model log-olabilirliği −10638,71033327 −10638,71033327 −10638,71033327 1,2e−15 ✓
Kategorik sabit etkiler (ev, cins): rastgele etkisiz Cox log-olabilirliği −10585,22960423 −10585,22960423 −10585,22960423 1,1e−14 ✓
Kategorik sabit etkiler (ev, cins): LR ki-kare (entegre, boşa karşı) 237,5864047 237,5864047 237,5864047 8,7e−13 ✓
Kategorik sabit etkiler (ev, cins): rastgele etki LR ki-karesi 130,62494661 130,62494661 130,62494661 9,2e−13 ✓
Kategorik sabit etkiler (ev, cins): AIC (LR ki-kare − 2 df) 227,5864047 227,5864047 227,5864047 9,1e−13 ✓
İç içe: merkez/alt grup: β(trt) 0,70501539 0,70501539 0,70501539 1,4e−10 ✓
İç içe: merkez/alt grup: SH(trt) 0,06452553 0,06452494 0,06452494 5,9e−7 ✓
İç içe: merkez/alt grup: entegre log-olabilirlik −10518,56112703 −10518,54964538 −10518,54964538 1,1e−6 ✓
İç içe: merkez/alt grup: boş model log-olabilirliği −10638,71033327 −10638,71033327 −10638,71033327 1,2e−15 ✓
İç içe: merkez/alt grup: rastgele etkisiz Cox log-olabilirliği −10585,88145253 −10585,88145253 −10585,88145253 9,6e−15 ✓
İç içe: merkez/alt grup: LR ki-kare (entegre, boşa karşı) 240,29841248 240,32137578 240,32137578 9,6e−5 ✓
İç içe: merkez/alt grup: rastgele etki LR ki-karesi 134,64065099 134,66361429 134,66361429 1,7e−4 ✓
İç içe: merkez/alt grup: AIC (LR ki-kare − 2 df) 234,29841248 234,32137578 234,32137578 9,8e−5 ✓
İç içe: merkez/tedavi: β(trt) 0,74203878 0,74204168 0,74204168 2,9e−6 ✓
İç içe: merkez/tedavi: SH(trt) 0,08270483 0,08277634 0,08277634 7,2e−5 ✓
İç içe: merkez/tedavi: entegre log-olabilirlik −10517,56856932 −10517,56023967 −10517,56023967 7,9e−7 ✓
İç içe: merkez/tedavi: boş model log-olabilirliği −10638,71033327 −10638,71033327 −10638,71033327 1,2e−15 ✓
İç içe: merkez/tedavi: rastgele etkisiz Cox log-olabilirliği −10585,88145253 −10585,88145253 −10585,88145253 9,6e−15 ✓
İç içe: merkez/tedavi: LR ki-kare (entegre, boşa karşı) 242,28352791 242,30018721 242,30018721 6,9e−5 ✓
İç içe: merkez/tedavi: rastgele etki LR ki-karesi 136,62576641 136,64242572 136,64242572 1,2e−4 ✓
İç içe: merkez/tedavi: AIC (LR ki-kare − 2 df) 236,28352791 236,30018721 236,30018721 7,1e−5 ✓
Eksik değerli satırlar çıkarıldı: β(trt) 0,71289018 0,71289018 0,71289018 3,8e−13 ✓
Eksik değerli satırlar çıkarıldı: SH(trt) 0,06434858 0,06434858 0,06434858 5,6e−14 ✓
Eksik değerli satırlar çıkarıldı: entegre log-olabilirlik −10503,98471656 −10503,98471656 −10503,98471656 1,3e−14 ✓
Eksik değerli satırlar çıkarıldı: boş model log-olabilirliği −10622,39903492 −10622,39903492 −10622,39903492 4,3e−15 ✓
Eksik değerli satırlar çıkarıldı: rastgele etkisiz Cox log-olabilirliği −10569,13691747 −10569,13691747 −10569,13691747 5,0e−15 ✓
Eksik değerli satırlar çıkarıldı: LR ki-kare (entegre, boşa karşı) 236,82863672 236,82863672 236,82863672 9,2e−13 ✓
Eksik değerli satırlar çıkarıldı: rastgele etki LR ki-karesi 130,30440182 130,30440182 130,30440182 4,8e−13 ✓
Eksik değerli satırlar çıkarıldı: AIC (LR ki-kare − 2 df) 232,82863672 232,82863672 232,82863672 9,4e−13 ✓
Örnek ayar: z 11,03002565 11,03002565 — 1,2e−12 ✓
Örnek ayar: iki yanlı p 2,737870·10−28 2,737870·10−28 — 4,0e−38 ✓
Örnek ayar: tehlike oranı 2,03117147 2,03117147 — 1,7e−13 ✓
Örnek ayar: TO %95 GA alt 1,79086156 1,79086156 — 3,0e−13 ✓
Örnek ayar: TO %95 GA üst 2,30372778 2,30372778 — 5,2e−14 ✓
Güven 0,90: TO GA alt 1,82748511 1,82748511 — 2,7e−13 ✓
Güven 0,99: TO GA üst 2,39670342 2,39670342 — 1,5e−14 ✓
Örnek ayar: rastgele etki SS = √σ² 0,32921396 0,32921396 — 5,0e−16 ✓
Örnek ayar: tipik göreli risk exp(SS) 1,3898752 1,3898752 — 2,6e−15 ✓
Örnek ayar: merkez varyansı σ² (en büyük olabilirlik; coxme BFGS reltol 1e−5) 0,10838183 0,1083492 0,10834942 3,3e−5 ✓
Örnek ayar: entegre log-olabilirlik, σ² en iyisinde −10520,65490349 −10520,65490297 −10520,65490297 5,0e−11 ✓
Vinyet: trt katsayısı (4 ondalık) 0,7086 0,7086 — 0 ✓
Vinyet: trt SH (4 ondalık) 0,0642 0,0642 — 0 ✓
Vinyet: merkez varyansı (4 ondalık) 0,1084 0,1084 — 0 ✓
Başvuru (REML, yaklaşık): trt katsayısı 0,7086127 — 0,70832673 2,9e−4 ✓
Başvuru (REML, yaklaşık): merkez varyansı 0,10838183 — 0,10593163 2,5e−3 ✓
[seyrek ↔ yoğun] İç içe: entegre log-olabilirlik −10518,56112703 −10518,54962127 −10518,54975605 1,1e−6 ✓
[seyrek ↔ yoğun] İç içe: β(trt) 0,70501539 0,70504291 0,70499606 2,8e−5 ✓
[seyrek ↔ yoğun] İç içe: SH(trt) 0,06452553 0,06452471 0,06452654 1,0e−6 ✓
[seyrek ↔ yoğun] İç içe: merkez varyansı 0,10178328 0,10198957 0,101729 2,1e−4 ✓
[seyrek ↔ yoğun] İç içe: alt grup varyansı 0,02294867 0,02289506 0,02312244 1,7e−4 ✓
[seyrek ↔ yoğun] 74 grup: entegre log-olabilirlik −10520,2047655 −10520,08194994 −10520,08194994 1,2e−5 ✓
[seyrek ↔ yoğun] 74 grup: β(trt) 0,76362895 0,76384394 0,7638439 2,1e−4 ✓
[seyrek ↔ yoğun] 74 grup: SH(trt) 0,10245621 0,10324302 0,10324296 7,9e−4 ✓
[seyrek ↔ yoğun] 74 grup: grup varyansı 0,10537992 0,1063599 0,10635969 9,8e−4 ✓
74 grup: bağımsız Python en iyisi ↔ R coxme yoğun, entegre −10520,08194994 −10520,08194994 −10520,08194994 6,1e−14 ✓
74 grup: bağımsız Python en iyisi ↔ R coxme yoğun, β(trt) 0,76384394 0,76384394 0,7638439 4,3e−8 ✓
74 grup: bağımsız Python en iyisi ↔ R coxme yoğun, SH(trt) 0,10324302 0,10324302 0,10324296 6,0e−8 ✓

Ölçütü karşılayan: 109/109. Ölçüt satır başına yazılıdır: katsayı, SH, log-olabilirlik ve ki-kare 10^{-6} (göreli, değer 1'den büyükse). Merkez varyansı satırında ölçüt 5\times10^{-4}'tür: coxme varyansı BFGS ile reltol = 10^{-5}$ toleransında bulur (0,108382); bağımsız Python ve R varyansı Brent ile aynı ölçütün en büyüğüne götürür (0,108349); fark, ölçütün tepe noktasındaki düzlüğünden gelir (entegre log-olabilirlik farkı 10^{-6}'nın altındadır). İç içe satırlarında (ke_ic, ke_ic_trt) ölçüt 2\times10^{-3}'tür: 50 ve üzeri rastgele etki sütununda coxme seyrek yaklaşım kullanır (148.4.2); şablonun kendi \sigma^2'lerinde bağımsız Python ve R birbiriyle 10^{-8} içinde eşleşir, şablonla fark yaklaşımın bedelidir. [seyrek ↔ yoğun] satırları şablon (seyrek) çıktısını bağımsız Python'un en iyisi ve coxme'nin yoğun (sparse kapalı) çözümüyle karşılaştırır; 74 gruplu tek düzeyli veride (ke_grup74) de aynı fark vardır, bağımsız Python ile yoğun coxme ise 10^{-6} içinde örtüşür. Bağımsız Python, ℓ(β, u)'yu Efron ya da Breslow ile kendisi yazar (coxme, survival çağrılmaz), (\beta,u) üzerinde cezalı Newton en büyüklemesi ve entegre log-olabilirliği \ell-\tfrac12 u'\Sigma^{-1}u-\tfrac12\log\det(I+\Sigma\,(-\nabla^2\ell)_{uu}) olarak hesaplar; sabit etki SH'si tam bilgi matrisinin tersinin \beta bloğudur. R sütunu: survival::coxph + ridge(\theta = 1/\sigma^2) ile cezalı en büyükleyici, ℓ ise coxph(Surv ~ offset(lp))'den; entegre log-olabilirlik açık formülle. Başvuru (REML) satırları farklı bir kestirim ölçütünü (coxph + frailty(distribution = 'gaussian', method = 'reml')) gösterir; eşleşme beklenmez, yakınlık beklenir.

148.7 Çıktıyı okuma

Örnek ayar (ke_ornek), konsol (coxme özeti):

Cox mixed-effects model fit by maximum likelihood
  Data: d
  events, n = 1463, 2323
  Iterations= 9 49 
                    NULL Integrated    Fitted
Log-likelihood -10638.71  -10520.65 -10478.84

                   Chisq    df p    AIC    BIC
Integrated loglik 236.11  2.00 0 232.11 221.53
 Penalized loglik 319.74 28.69 0 262.37 110.67

Model:  survival::Surv(y, uncens) ~ trt + (1 | center) 
Fixed coefficients
         coef exp(coef)   se(coef)     z p
trt 0.7086127  2.031171 0.06424398 11.03 0

Random effects
 Group Variable  Std Dev   Variance 
 center    Intercept 0.3292140 0.1083818

Tablolar:

Sabit etkiler (log tehlike; TO = tehlike oranı, %95 GA)
terim  kestirim        SH          z             p  tehlike_orani  TO_GA_alt  TO_GA_ust
  trt  0.708613  0.064244  11.030026  2.737870e-28       2.031171   1.790862   2.303728

Rastgele etkiler (log-normal; exp(SS) = bir SS yukarıdaki grubun göreli riski)
  grup   varyans  std_sapma  tipik_goreli_risk
center  0.108382   0.329214           1.389875

Olabilirlik ve model karşılaştırması
olcut                                                   deger
olay sayısı                                           1463
n                                                     2323
log-olabilirlik (boş model)                      -10638.71
entegre log-olabilirlik                          -10520.65
LR ki-kare (entegre, boşa karşı)                     236.11
df                                                        2
AIC                                                  232.11
rastgele etkisiz Cox log-olabilirliği            -10585.88
rastgele etki LR ki-karesi                           130.45
rastgele etki LR p (sınırda, ki-kare karışımı; bütün varyanslar birlikte sıfıra karşı)  1.63e-30

Şekil 148.1. Örnek ayar: 37 merkezin tahmin edilen göreli riski \exp(\hat u_g) (sıralı); kesikli çizgi 1.

Öğe Ne yazar Nasıl yorumlanır
coxme özeti Yineleme sayıları, "Integrated/Fitted/Penalized" log-olabilirlik, katsayılar, varyans "Integrated" kıyaslama için kullanılır; "Penalized" cezalı olabilirliktir ve model karşılaştırmasına girmez.
Sabit etkiler \hat\beta, SH, z, Wald p, TO ve GA Koşullu (aynı merkez içinde) tehlike oranı.
Rastgele etkiler \sigma^2, \sigma, \exp(\sigma) Merkezler arası değişkenlik; \exp(\sigma)=1{,}39: tipik merkez ortalamadan %39 daha riskli/az riskli.
Olabilirlik tablosu n, olay, log-olabilirlikler, LR, AIC "AIC" boş modele göre görelidir (\chi^2-2\,\mathrm{sd}, coxme'nin çıktısındaki gibi; büyük değer daha iyidir); farklı modelleri aynı veride karşılaştırın.
Rastgele etki testi \chi^2_{\mathrm{re}} ve sınırda p Varyansın sıfırdan büyük olup olmadığı; iç içe yapıda yaklaşık (148.4.4).
Merkez etkileri şekli \exp(\hat u_g) Merkezlerin göreli riski, ortalamaya göre; belirsizlik gösterilmez.

Rapor cümlesi: Çok merkezli verideki (37 merkez, 2323 hasta, 1463 olay) kümelenmeyi hesaba katmak için merkez düzeyinde log-normal rastgele etkili bir Cox modeli (coxme, Laplace yaklaşımı, Efron bağları) kuruldu. Merkez etkisi sabit tutulduğunda tedavinin tehlike oranı 2,03 (%95 GA 1,79–2,30; p<0{,}001) bulundu; rastgele etkisiz Cox modelinde bu oran 1,86'ydı. Merkezler arası varyans 0,108 (SS = 0,329) idi; bir SS üstteki bir merkezin göreli riski 1,39'dur. Rastgele etkinin eklenmesi modeli anlamlı biçimde iyileştirdi (olabilirlik oranı \chi^2=130{,}5, p<0{,}001).

148.8 Sık hatalar ve tuzaklar

  • Katsayı koşulludur. \exp(\hat\beta)=2{,}03 aynı merkezdeki iki hasta arasındaki orandır; merkezlerin ortalamasına göre marjinal (popülasyon) orandan farklıdır ve rastgele etkisiz modelin oranıyla (1,86) kıyaslanmamalıdır.
  • Seyrek yaklaşım. 50 ve üzeri rastgele etki sütununda (çok merkezli ya da iç içe veri) coxme seyrek yaklaşım kullanır; sonuç yoğun çözümden entegre log-olabilirlikte 10^{-2}–10^{-1}, SH'de ve varyansta %1 düzeyinde ayrılabilir (148.4.2; ke_ic, ke_grup74). Şablon bu durumda çıktıda not yazar (148–151); 10^{-6} doğruluğu gerekirse Bilgi matrisini yoğun çöz (yogun) seçeneği açılır.
  • İç içe yapıda rastgele etki testi iki varyansı birlikte sınar. İki bileşenli modelde p değeri doğru karışımdan, \tfrac14\chi^2_0+\tfrac12\chi^2_1+\tfrac14\chi^2_2'den hesaplanır (174); satır adı bunu söyler. Sınama iki varyansı birlikte sıfırla karşılaştırır; yalnız alt grup varyansının gerekliliğini sınamaz (tek düzeyli modelle olabilirlik karşılaştırması gerekir).
  • inceltme kestirimleri değiştirmez. refine.n > 0 coxme nesnesinde Laplace hatasının Monte Carlo kestirimini (m$refine: örnekte düzeltme -0{,}0043, SH 0{,}066 civarında; benzetime bağlıdır) üretir; şablon bunu olabilirlik tablosunun son iki satırına yazar, katsayılar, varyans ve log-olabilirlik aynı kalır (ke_inceltme).
  • opt_tol gevşetilirse varyans sessizce kayar. 10^{-2} ile varyans 0{,}1352 (0{,}1084 yerine), \hat\beta=0{,}7112 olur; uyarı yoktur (ke_opt_tol). Varsayılan 10^{-5} bile varyansı gerçek en büyükten göreli 3\times10^{-4} ayrılmış verir.
  • Yakınsama. maks_yineleme küçükse ("Ran out of iterations and did not converge", ke_iter3: 3 yineleme) uyarı çıktının başında (model özetinden önce) görünür; sonuçlar yine yazılır (örnekte fark 10^{-8} düzeyinde, ama başka veride büyük olabilir). eps'i gevşetmek ya da sıkılaştırmak sonucu 10^{-8} düzeyinde oynatır.
  • Satır ve sütun çıkarma bildirilir. Eksik değerli satırlar çıkarılır ve sayıları yazılır (ke_eksik: 3 satır, kalan n=2320); x'e konan grup sütunu sabit etkilerden çıkarılır ve bu not edilir (ke_grup_x: sonuç ke_ornek ile aynıdır).
  • Efron ve Breslow. Çok bağlı sürelerde fark gerçektir: süreler 100 birime yuvarlandığında \hat\beta 0,7092 (Efron) ve 0,6954 (Breslow), varyans 0,1091 ve 0,1036'dır (ke_bag, ke_bag_breslow); boş model log-olabilirliği de bağ yöntemine bağlıdır (-10653{,}92 ve -10679{,}12).
  • Girdi hataları. Süre sıfır ya da negatif (ke_sifir, ke_neg), olay 1/2 kodlu (ke_kod12), üç olaydan az (ke_azolay), iki merkez (ke_grup2), sabit sütun (ke_sabit), iç grup = grup (ke_ic_ayni) iletiyle durur. Metin kodlu olay göstergesini form reddeder.
  • Düzey sırası. Metin sabit etkide başvuru düzeyi üç düzeyli sütunda ilk görülen düzeydir, iki düzeyli metinde alfabetik ilk düzeydir (ke_kat: evA, evB, cinskadin); katsayıların işareti buna bağlıdır. Sayısal etiketli kategorik sütunlarda sayısal sıra geçerlidir (ke_trt_kat: trt1).
  • Değişmezlik. Satır sırası (ke_karisik), süre birimi (ke_yil: gün yerine yıl) ve merkez kimliklerinin yeniden kodlanması (ke_yeniden_kodla, ke_metin_grup) sonucu değiştirmez; \hat\beta ve \sigma^2 aynıdır.
  • Rastgele eğim yok. Tedavi etkisinin merkezden merkeze değiştiği (etki heterojenliği) kesişim türü rastgele etkiyle yakalanmaz; ke_ic_trt (\mathrm{ic\_grup}=\mathrm{trt}) merkez × tedavi kesişimleri ekler ama rastgele eğim değildir.
  • Şekil yalnız dış grubu gösterir ve belirsizlik çizmez; 37'den çok merkezde etiketler sıkışır.

148.9 Uzman soruları

S1. Katsayı marjinal mi koşullu mu?

Koşulludur: rastgele etki sabit tutulur. Log-normal kırılganlıkta marjinal tehlike oranı (\sigma arttıkça) koşullu orana göre sıfıra doğru küçülür ve zamana bağlı olur; bu şablon marjinal oranı vermez. Örnekte koşullu 2,03, rastgele etkisiz (marjinala yakın bir kestirim) 1,86'dır.

S2. Laplace yaklaşımı ne kadar doğru?

Kümelerde yeterli bilgi (çok olay) varsa iyidir. refine.n ile Monte Carlo kestirimi örnekte düzeltmeyi -0{,}004\pm0{,}066 log-olabilirlik birimi bulur: ihmal edilebilir. Küçük kümelerde (kümede çok az olay) ve büyük varyansta Laplace hatası artar. Şablon inceltme > 0 ile bunu hesaplatır ve olabilirlik tablosuna yazar (188–192).

S3. Rastgele etki varyansının p değeri neden yarım ki-kare?

Varyans parametre uzayının sınırında (\sigma^2\ge0, null \sigma^2=0) sınanır; olabilirlik oranı istatistiği \chi^2_1 yerine \tfrac12\chi^2_0+\tfrac12\chi^2_1 izler ve p=\tfrac12P(\chi^2_1>\mathrm{LR}) olur (Self ve Liang, 1987). İki bileşen birlikte sınanırken karışım \tfrac14,\tfrac12,\tfrac14 olur (Stram ve Lee, 1994); şablon iki bileşende bu karışımı kullanır (174).

S4. `coxph(frailty(gaussian))` ile fark ne?

coxph kırılganlığı cezalı kısmi olabilirlikle ve varyansı farklı bir (REML benzeri) ölçütle kestirir; coxme entegre olabilirliği Laplace ile en büyükler. Örnekte coxph(frailty(center, "gaussian", method = "reml")) \hat\beta=0{,}70833 ve varyans 0{,}10593 verir; şablon 0{,}70861 ve 0{,}10838. Fark küçüktür ama özdeş değildir: yayımlı karşılaştırmada hangisi kullanıldığı belirtilmelidir.

S5. Merkezi neden rastgele etki yapıyoruz?

Merkezler bir evrenden örnekse ve merkezler arası değişkenlik ilgi konusuysa. Merkezleri sabit etki (ya da tabaka) alırsanız her merkez için ayrı parametre kestirilir; merkez sayısı çoksa ve merkez başına olay azsa verimsizdir. Rastgele etki, merkez etkisini N(0,\sigma^2) ile büzüştürür (küçük merkezler ortalamaya yaklaşır). Merkez sayısı çok az ise varyans kestirimi kararsızdır.

S6. İç içe ile çapraz yapı farkı nedir?

İç içe yapıda alt grup yalnız bir merkezde bulunur (servis/merkez); çapraz yapıda aynı alt grup birden çok merkezde görülür. Şablon (1 | grup/alt) kurar: alt grup kodları merkezler arasında yinelense bile (ke_ic'te 1, 2, 3) merkez × alt grup birleşimi yeni rastgele etki olur. Çapraz yapı istenirse (1 | grup) + (1 | alt) gerekir ve şablon bunu sunmaz.

S7. Bağ düzeltmesi sonucu ne zaman değiştirir?

Bağlı olay çoksa: Breslow katsayıyı sıfıra doğru yanlar, Efron daha az yanlıdır. Örnekte bağ yok ve ikisi aynı; yuvarlanmış sürelerde 0,7092 ve 0,6954.

S8. Varyans kestiriminin güvenilirliği?

Merkez sayısı (37) ve merkez başına olay (11–110) yeterlidir; varyansın profil olabilirlik aralığı şablonda yoktur. Güven aralığı gerekirse profil olabilirlik ya da parametrik önyükleme gerekir (şablonda yok). \sigma^2'nin p değeri sınırda karışımdır ve Wald aralığı varyans için uygun değildir.

148.10 Kaynaklar

  • Breslow, N. (1974). Covariance analysis of censored survival data. Biometrics, 30(1), 89–99. https://doi.org/10.2307/2529620
  • Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B, 34(2), 187–202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
  • Efron, B. (1977). The efficiency of Cox's likelihood function for censored data. Journal of the American Statistical Association, 72(359), 557–565. https://doi.org/10.1080/01621459.1977.10480613
  • Ripatti, S. ve Palmgren, J. (2000). Estimation of multivariate frailty models using penalized partial likelihood. Biometrics, 56(4), 1016–1022. https://doi.org/10.1111/j.0006-341X.2000.01016.x
  • Self, S. G. ve Liang, K.-Y. (1987). Asymptotic properties of maximum likelihood estimators and likelihood ratio tests under nonstandard conditions. Journal of the American Statistical Association, 82(398), 605–610. https://doi.org/10.1080/01621459.1987.10478472
  • Stram, D. O. ve Lee, J. W. (1994). Variance components testing in the longitudinal mixed effects model. Biometrics, 50(4), 1171–1177. https://doi.org/10.2307/2533455
  • Therneau, T. M. ve Grambsch, P. M. (2000). Modeling survival data: Extending the Cox model. Springer. https://doi.org/10.1007/978-1-4757-3294-8
  • Therneau, T. M., Grambsch, P. M. ve Pankratz, V. S. (2003). Penalized survival models and frailty. Journal of Computational and Graphical Statistics, 12(1), 156–175. https://doi.org/10.1198/1061860031365
  • Tierney, L. ve Kadane, J. B. (1986). Accurate approximations for posterior moments and marginal densities. Journal of the American Statistical Association, 81(393), 82–86. https://doi.org/10.1080/01621459.1986.10478240
  • Vaida, F. ve Xu, R. (2000). Proportional hazards model with random effects. Statistics in Medicine, 19(24), 3309–3324. https://doi.org/10.1002/1097-0258(20001230)19:24<3309::AID-SIM825>3.0.CO;2-9
  • Therneau, T. M. (2026). coxme: Mixed effects Cox models (R paketi, sürüm 2.2-22). https://CRAN.R-project.org/package=coxme
  • Therneau, T. M. (2026). survival: Survival analysis (R paketi, sürüm 3.8-6). https://CRAN.R-project.org/package=survival
  • R Core Team (2026). R: a language and environment for statistical computing. R Foundation for Statistical Computing.