MerQuR+Başvuru Kitabı

129. Cox Regresyonu

Analiz kimliği: cox_regression · Menü adı: Cox Regresyon · Panel: gui/panels/analyses/cox_regression.py (form add_form_rows 115–185, add_model_option_rows 188–217, read_options 233–245, execute 386–763, _OwnCoxFit 819–864, _FirthCoxFit 867–899, _cox_extras 902–970, _term_lrt 973–1000) · Motor: lifelines CoxPHFitter (Efron) ve stats/cox_tools.py (efron_score_info 37–103, omnibus_tests 123–150, ph_score_test 210–248, baseline_survival_at 276–308, cox_score_info 347–408, cox_fit 422–473, cox_residuals 476–542, robust_cov 545–555, concordance_cox 558–598), stats/cox_firth.py (firth_cox 200–265)

129.1 Ne işe yarar

Cox orantılı tehlikeler modeli, olay zamanını (ölüm, nüks) birden çok açıklayıcıyla ilişkilendirir ve her açıklayıcının tehlike oranını (HR) öteki açıklayıcılar sabitken kestirir. Cevapladığı sorular: "Yaş, evre ve biyobelirteç sabitken yeni tedavi ölüm tehlikesini kaç kat değiştirir?", "Evre bir basamak arttığında tehlike ne kadar artar?"

h(t\mid\mathbf x_i)=h_0(t)\,\exp\!\left(\mathbf x_i^{\top}\boldsymbol\beta\right)
  • h(t\mid\mathbf x_i): i. kişinin t anındaki tehlikesi (o ana kadar olaysız olanlarda anlık olay hızı).
  • h_0(t): temel tehlike; tüm açıklayıcılar 0 iken tehlike. Biçimi belirtilmez; model bu yüzden yarı parametriktir.
  • \mathbf x_i: açıklayıcı vektörü (sabit terim yoktur; sabit h_0'ın içindedir).
  • \boldsymbol\beta: log-HR katsayıları. e^{\beta_k}, x_k'daki bir birimlik artışın tehlikeyi kaç kat değiştirdiğidir ve zamandan bağımsızdır (orantılı tehlike).

Her katsayı için sınanan hipotez H_0:\beta_k=0 (HR = 1), H_1:\beta_k\neq0; model düzeyinde H_0:\boldsymbol\beta=\mathbf 0.

Ne zaman kullanılır?

  • Sağdan sansürlü süre verisinde birden çok sürekli ya da kategorik açıklayıcının etkisi birlikte isteniyorsa.
  • Etki büyüklüğü tehlike oranı olarak raporlanacaksa ve tehlike oranının zamanla sabit olduğu kabul edilebiliyorsa.

Ne zaman kullanılmaz?

  • Yalnız grup eğrilerini betimlemek ve karşılaştırmak yetiyorsa: Kaplan-Meier Sağkalım Analizi (Bölüm 128).
  • Açıklayıcı izlem sırasında değişiyorsa ya da tehlike oranının zamanla değiştiği modellenecekse: Zamana Bağlı Cox Regresyonu (Bölüm 132).
  • Hastalar kümeliyse ve küme etkisi modellenecekse: Küme-sağlam (marjinal) Cox (Bölüm 135); karmaşık örneklem ağırlıkları varsa Karmaşık Örneklem Cox Regresyonu (Bölüm 133). Bu modülde yalnız küme-sağlam SH vardır.
  • Rakip olaylar varsa: Rakip Riskler (Bölüm 131).
  • Süre dağılımı bilinip mutlak süre ölçeğinde yorum isteniyorsa: Parametrik Sağkalım (AFT) (Bölüm 130).

Sık karıştırılan analizler. Lojistik regresyon (Bölüm 46) yalnız "olay oldu mu?" sorusunu modeller ve izlem süresi farklarını yok sayar; OR, HR değildir. Poisson regresyonu (log izlem süresi kaydırmalı) sabit tehlike varsayar; Cox ise h_0(t)'yi serbest bırakır. Kaplan–Meier log-rank testi, tek kategorik açıklayıcılı Cox modelinin skor testidir.

129.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Orantılı tehlike (PH) h(t\mid\mathbf x_1)/h(t\mid\mathbf x_2) zamanla sabit. "Orantılı tehlike testi (Schoenfeld)" kutusu (varsayılan açık): Grambsch–Therneau skor testi, terim başına ve genel; ölçeklenmiş Schoenfeld grafiği.
Log-doğrusallık Sürekli x'in log-tehlikeye etkisi doğrusal. Martingale artıkları ("Ek çıktılar: Artık tanıları") x'e karşı çizilerek.
Bilgi vermeyen sansür Sansür, olay riskiyle ilişkisiz. Denetlenmez.
Bağımsız gözlemler Her satır ayrı kişi. Tasarım; gerekirse "Küme (sağlam SE)".
Yeterli olay Katsayı başına en az 10 olay (EPV; kategorik terimlerde her kukla ayrı sayılır). Uyarı (cox_regression.py:660–679).
Ayrışma yok Bir açıklayıcı birleşimi olayları kusursuz ayırmamalı. |\hat\beta|>10 ya da SH > 50 ise uyarı ve Firth önerisi (cox_firth.py:268–276).

Eksik değer. Süre, olay, yordayıcılar ve (seçildiyse) tabaka ve küme sütunlarının herhangi birinde eksik olan satır çıkarılır (liste bazında, cox_regression.py:466–471).

Uç durumlar (koddan):

  • Süre ya da olay sütunu yordayıcı olarak seçilirse hata (:406–411); tabaka değişkeni yordayıcı listesinde de varsa yordayıcılardan çıkarılır (:456–463).
  • n<3 (:473–474), n<\text{katsayı}+2 (:531–536), olay sayısı <2 (:509–512): hata.
  • Olay sütununda 0/1 dışında değer: hata; "Olay kodu" doluysa listedeki değerler 1, öteki dolu değerler 0 (:483–503).
  • Negatif süre: hata (:479–480).
  • Firth seçilince bağ yöntemi Breslow'a çevrilir, küme-sağlam SH ve adımsal seçim kapatılır; her biri ayar kaydına yazılır (:435–455).
  • Kesin (exact) bağ yönteminde PH testi hesaplanmaz, uyarı yazılır (:720–721); küme-sağlam SH de istenemez (skor artığı yok, :621–622).
  • Breslow/kesin yolunda ayrışma belirtisi varsa kestirim R coxph durma kuralıyla (20 yineleme, göreli log-olabilirlik değişimi 10^{-9}) yinelenir; büyük SH ve p\approx1 verir (:829–838).

129.3 Parametreler

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Süre sütunu ilk sayısal sütun Olay ya da sansüre kadar geçen süre. Tüm kestirimler.
Olay sütunu (0/1) — 1 = olay, 0 = sansür. Tüm kestirimler.
Olay kodu (değerler) boş Çok değerli durum sütununda olay sayılacak değerler. Öteki değerler sansür.
Bağımsız değişkenler (≥ 1) — Sayısal sütun doğrusal girer; metin (kategorik) sütun kukla kodlanır. Tasarım matrisi.
Güven Düzeyi %95 HR GA'ları; anlamlılık işareti p<\alpha. GA genişliği.
Orantılı tehlike testi (Schoenfeld) açık Grambsch–Therneau skor testi. Ek tablo; grafikte ölçeklenmiş Schoenfeld.
PH testi zaman dönüşümü Kaplan-Meier (km) g(t): 1-\hat S_{KM}(t-), sıra, süre, log(süre). Yalnız PH testi.
Tabaka değişkeni (STRATA) Yok Her tabakaya ayrı h_{0s}(t), ortak \boldsymbol\beta. Tabaka değişkeninin HR'si kestirilmez.
Bağ yöntemi Efron Efron, Breslow, Kesin (ayrık). Bağlı olay zamanlarında olabilirlik.
Kategorik kodlama Gösterge — referans ilk kategori İlk ya da son düzey referans; sapma (son düzey −1). Kategorik terimlerin katsayıları ve anlamı.
Etkileşimler boş a*b (ana etkilerle), a:b (yalnız çarpım). Tasarım matrisi.
Değişken seçimi Enter (tümü) İleri/geri adımsal (LR), AIC. Modeldeki terimler.
Küme (sağlam SE) Yok Lin–Wei sandviç varyans. SH, z, p, GA; naif SH ayrıca yazılır.
Ek çıktılar: Artık tanıları / Artıkları veri setine kaydet kapalı Martingale, sapma, Cox–Snell, dfbeta(s). Ek bölüm; veri setine sütun.
Firth düzeltmesi (cezalı olabilirlik) kapalı Heinze–Schemper cezalı kısmi olabilirlik. Tüm katsayılar, GA ve p (profil).
Tek terim olabilirlik oranı testi kapalı Her terim çıkarılıp model yeniden kestirilir. Ek tablo.
Grafik (3B sağkalım yüzeyi) kapalı \hat S(t\mid x) yüzeyi. Yalnız Grafik sekmesi.

Kategorik kodlama ve düzey sırası (koddan)

code_categorical (:286–304) düzeyleri MerQur'un tek düzey sırası kuralıyla dizer: Veri sekmesinde tanımlı sıra; etiketler sayıysa ya da sayı içeriyorsa sayısal/doğal sıra; aksi hâlde verideki ilk görülme sırası. Alfabetik sıra kullanılmaz. "İlk kategori" bu sıradaki ilk düzeydir ve referans olur; kullanılan sıra çıktıda yazılır. Sayısal kodlu bir sütun ise kategorik sayılmaz, doğrusal girer (build_design, :347–349). Tıp örneğinde stage 1–4 sayısal olduğu için tek katsayıyla girer; kategorik model için sütun metne çevrilmiştir (129.6, Adım 8).

PH testi neden varsayılan olarak açık?

Cox modelinin tek yapısal varsayımı orantılı tehlikedir; ihlalinde HR, zaman boyunca değişen etkilerin olay ağırlıklı bir ortalamasına dönüşür ve yorumu belirsizleşir. Testin maliyeti küçüktür ve sonucu katsayıları değiştirmez; bu yüzden her çalıştırmada verilir.

129.4 Tıp örneği

Dosya: english/datasets/Tip/87_cox_death_hazard.xlsx (Türkçe kopya samples/Tum_Analiz_Tip/87_cox_olum_hazard.xlsx: yas, evre, yeni_tedavi, biyobelirtec, sure_ay, olum). Değişkenler VIDEO_SCRIPT_TR.txt #87'ye göredir.

Veri denetimi. İngilizce ve Türkçe kopyada 250 satır vardır; duration_month 0,4–59,1 ay arasındadır ve 198 farklı değer alır. Dosya değiştirilmeden kullanılmıştır.

Değişken Rol Tür Özet
duration_month Süre sürekli (ay) 0,4–59,1; ortanca 17,7
death Olay 0/1 118 ölüm (%47,2), 132 sansür
age Yordayıcı sürekli (yıl) ort. 61,68; SS 12,82
stage Yordayıcı sayısal 1–4 1: 47, 2: 80, 3: 80, 4: 43 hasta
new_treatment Yordayıcı 0/1 158 hasta yeni tedavi (%63,2)
biomarker Yordayıcı sürekli ort. 51,96; SS 28,79

n ve eksik değer: 250 hasta, eksik değer yok. Olay başına yordayıcı 118/4=29{,}5; EPV ≥ 10 karşılanır. 118 ölüm 101 farklı zamanda gerçekleşmiştir: 87 zamanda tek, 11 zamanda iki, 3 zamanda üç ölüm. Bağlar az olduğu için bağ yöntemleri arasındaki fark küçük olacaktır.

Klinik soru: Yaş, evre ve biyobelirteç denetlendiğinde yeni tedavi ölüm tehlikesini azaltıyor mu? Her etkenin HR'si nedir? Tehlike oranları zamanla sabit mi?

Seçilen ayarlar: Arayüz varsayılanları (Efron, PH testi açık ve km dönüşümü, %95). Karşılaştırma için ek çalıştırmalar: Breslow ve kesin bağ; Firth; tek terim LR testi; evre kategorik; evreye göre tabaka; hasta kimliğiyle küme-sağlam SH; artık tanıları; %90 GA.

129.5 Formüller ve hesap adımları

MerQur'un hesap sırası: (1) eksik satırları at, olay kodunu uygula, kategorik sütunları kodla, etkileşim çarpımlarını kur; (2) seçildiyse adımsal seçim; (3) kısmi olabilirliği Newton–Raphson ile en büyükle (Efron'da lifelines, Breslow/kesin'de MerQur'un kendi kestiricisi, Firth'te cox_firth); (4) Wald SH, z, p, HR GA; küme seçildiyse sandviç varyans; (5) Harrell C; (6) omnibus LR/Wald/skor testleri; (7) çok düzeyli terimler için Tip 3 Wald, seçildiyse tek terim LR; (8) PH skor testi; (9) kovaryat ortalamasında temel sağkalım; (10) seçildiyse artıklar.

129.5.1 Kısmi olabilirlik

h_0(t) bilinmediği için tam olabilirlik yazılamaz. Cox (1972, 1975), her olay anında "olayı yaşayanın, o anda riskte olanlar arasından neden bu kişi olduğu" koşullu olasılığını kullanır. Bağ yoksa:

L(\boldsymbol\beta)=\prod_{j=1}^{m}\frac{\exp(\mathbf x_{(j)}^{\top}\boldsymbol\beta)}{\sum_{l\in R_j}\exp(\mathbf x_l^{\top}\boldsymbol\beta)},\qquad \ell(\boldsymbol\beta)=\sum_{j=1}^{m}\Big[\eta_{(j)}-\ln\!\sum_{l\in R_j}e^{\eta_l}\Big]
  • t_{(1)}<\dots<t_{(m)}: farklı olay zamanları; \mathbf x_{(j)}: t_{(j)}'de olayı yaşayanın açıklayıcıları.
  • R_j=\{l:\ T_l\ge t_{(j)}\}: t_{(j)}'de riskte olanlar (risk kümesi).
  • \eta_l=\mathbf x_l^{\top}\boldsymbol\beta: doğrusal yordayıcı; e^{\eta_l} "risk skoru".
  • h_0(t_{(j)}) pay ve paydada ortak çarpan olduğu için sadeleşir; \boldsymbol\beta, h_0 bilinmeden kestirilir.

Neden "kısmi" olabilirlik yeterli?

Tam olabilirlik \boldsymbol\beta ve h_0'ı birlikte içerir. Olay zamanlarının kendisi (ne zaman olduğu) h_0 hakkında bilgi taşır; "kim" sorusu ise yalnız \boldsymbol\beta hakkındadır. Kısmi olabilirlik bu ikinci parçadır ve sıradan olabilirlik gibi davranır: en büyükleyicisi tutarlı ve asimptotik normaldir, ters bilgi matrisi varyansı verir (Cox 1975; Andersen ve Gill 1982). Etkinlik kaybı küçüktür (Efron 1977).

129.5.2 Bağlı olay zamanları: Efron, Breslow, kesin

t_{(j)}'de d_j kişi aynı anda olay yaşamışsa (D_j kümesi), gerçek sıra bilinmez. Üç yaklaşım:

\begin{gathered}\text{Breslow:}\quad \ell_j=\sum_{i\in D_j}\eta_i-d_j\ln S_{0,R_j}\\[4pt] \text{Efron:}\quad \ell_j=\sum_{i\in D_j}\eta_i-\sum_{k=0}^{d_j-1}\ln\!\Big(S_{0,R_j}-\frac{k}{d_j}\,S_{0,D_j}\Big)\\[4pt] \text{Kesin (ayrık):}\quad \ell_j=\sum_{i\in D_j}\eta_i-\ln\!\sum_{Q\subseteq R_j,\ |Q|=d_j}\exp\Big(\sum_{i\in Q}\eta_i\Big)\end{gathered}
  • S_{0,R_j}=\sum_{l\in R_j}e^{\eta_l}, S_{0,D_j}=\sum_{i\in D_j}e^{\eta_i}.
  • Breslow: aynı anda ölen herkes, ölümlerden önceki tam risk kümesine karşı sayılır; en kaba yaklaşım.
  • Efron: d_j ölümü sırayla düşünür; k. ölümde, ölenlerin risk skorlarının k/d_j'si paydadan "ortalama olarak" çıkarılmıştır.
  • Kesin (ayrık): d_j kişilik her alt kümenin olasılığı; koşullu lojistik olabilirlik (R ties = "exact"). Payda temel simetrik polinomdur; MerQur bunu Gail, Lubin ve Rubinstein (1981) özyinelemesiyle hesaplar (_exact_tie_terms, cox_tools.py:317–344).
  • d_j=1 olduğunda üçü de aynıdır.

Neden varsayılan Efron?

Gerçek zaman sürekli ve bağlar yuvarlamadan doğuyorsa doğru olabilirlik "kesin sürekli" (tüm sıralamaların ortalaması) olabilirliktir; Efron bu değere Breslow'dan çok daha yakındır ve hesap maliyeti Breslow'la aynıdır (Efron 1977). Breslow, bağ oranı yükseldikçe katsayıları sıfıra doğru çeker. R coxph'ın varsayılanı Efron'dur, bazı yaygın yazılımlarınki Breslow'dur; MerQur R ile aynı varsayılanı seçer. Firth düzeltmesi tanımı gereği Breslow ile çalışır.

Koddaki tercih: kestirici ve yakınsama ölçütü

Efron'da lifelines CoxPHFitter çağrılır; varsayılan yakınsama ölçütü (1e−7) kötü ölçekli kovaryatlarda katsayıyı 4.–5. anlamlı basamakta R'dan saptırdığı için sıkılaştırılmıştır: precision = 1e-12, r_precision = 1e-14, en çok 500 adım (EFRON_FIT_OPTIONS, cox_regression.py:816). Breslow ve kesin yöntemde cox_tools.cox_fit (:422–473) çalışır: başlangıç \boldsymbol\beta=\mathbf 0, adım yarılamalı Newton–Raphson, durma ölçütü göreli log-olabilirlik değişimi \le10^{-10} ve en büyük adım <10^{-6}. Bilgi matrisi tekilse sözde ters alınır ve ayar kaydına yazılır.

129.5.3 Skor, bilgi ve Newton–Raphson

Efron için, k. alt adımda ağırlıklı moment toplamları a_{0}=S_{0,R}-\tfrac{k}{d}S_{0,D}, \mathbf a_{1}=\mathbf S_{1,R}-\tfrac kd\mathbf S_{1,D}, \mathbf A_{2}=\mathbf S_{2,R}-\tfrac kd\mathbf S_{2,D} (\mathbf S_1=\sum e^{\eta}\mathbf x, \mathbf S_2=\sum e^{\eta}\mathbf x\mathbf x^{\top}) olmak üzere:

\mathbf U(\boldsymbol\beta)=\sum_j\Big[\sum_{i\in D_j}\mathbf x_i-\sum_{k=0}^{d_j-1}\frac{\mathbf a_1}{a_0}\Big],\qquad \mathbf I(\boldsymbol\beta)=\sum_j\sum_{k=0}^{d_j-1}\Big[\frac{\mathbf A_2}{a_0}-\frac{\mathbf a_1\mathbf a_1^{\top}}{a_0^2}\Big]
\boldsymbol\beta^{(t+1)}=\boldsymbol\beta^{(t)}+\mathbf I\big(\boldsymbol\beta^{(t)}\big)^{-1}\mathbf U\big(\boldsymbol\beta^{(t)}\big)
  • \mathbf a_1/a_0: risk kümesinde risk skorlarıyla ağırlıklı ortalama \bar{\mathbf x}; skor "gözlenen eksi beklenen kovaryat"tır.
  • \mathbf A_2/a_0-\bar{\mathbf x}\bar{\mathbf x}^{\top}: risk kümesinde ağırlıklı kovaryans; bilgi matrisi bunların toplamıdır.
  • Breslow'da k/d terimleri sıfırdır (d_j kez aynı payda) (cox_score_info, :395–401).

Neden Newton–Raphson hızlı ve güvenli?

Kısmi log-olabilirlik içbükeydir: \mathbf I her \boldsymbol\beta'da pozitif yarı tanımlı ağırlıklı kovaryans toplamıdır. Ayrışma yoksa tek bir en büyük vardır ve Newton yöntemi karesel hızla yakınsar (bu veride 4 adım).

129.5.4 Wald, olabilirlik oranı ve skor testleri

\widehat{\operatorname{Var}}(\hat{\boldsymbol\beta})=\mathbf I(\hat{\boldsymbol\beta})^{-1},\qquad z_k=\frac{\hat\beta_k}{\SH_k},\qquad \text{HR}_k=e^{\hat\beta_k},\qquad \text{GA}=\Big[e^{\hat\beta_k-z_{1-\alpha/2}\SH_k},\ e^{\hat\beta_k+z_{1-\alpha/2}\SH_k}\Big]
\text{LR}=2\big[\ell(\hat{\boldsymbol\beta})-\ell(\mathbf 0)\big],\qquad \text{Wald}=\hat{\boldsymbol\beta}^{\top}\mathbf I(\hat{\boldsymbol\beta})\hat{\boldsymbol\beta},\qquad \text{Skor}=\mathbf U(\mathbf 0)^{\top}\mathbf I(\mathbf 0)^{-1}\mathbf U(\mathbf 0),\qquad \sim\chi^2_p
  • \ell(\mathbf 0): tüm \beta=0 iken kısmi log-olabilirlik ("boş model"); çıktıda -2\ell olarak.
  • Skor testi yalnız \boldsymbol\beta=\mathbf 0'da hesaplanır; tek kategorik açıklayıcıda (Breslow ya da bağsız veri) log-rank testine eşittir.
  • AIC =-2\ell(\hat{\boldsymbol\beta})+2p (kısmi AIC; AIC_partial_).
  • Çok düzeyli kategorik terimde Tip 3 Wald: \hat{\boldsymbol\beta}_T^{\top}\mathbf V_{TT}^{-1}\hat{\boldsymbol\beta}_T\sim\chi^2_{|T|} (term_wald_tests, :153–169).
  • Tek terim LR (seçilirse): terimin tüm sütunları çıkarılıp model aynı bağ yöntemiyle yeniden kestirilir; \chi^2=2(\ell_{\text{tam}}-\ell_{\text{indirgenmiş}}) (R drop1(test = "Chisq"); _term_lrt, :966–993).

Üç test neden ayrı ayrı veriliyor?

Üçü asimptotik olarak eşdeğerdir; küçük örneklemde ya da büyük etkide ayrışırlar. LR testi yeniden parametrelemeye karşı değişmezdir ve genellikle en güvenilirdir; Wald, büyük katsayıda (Hauck–Donner) gücünü yitirir; skor testi modeli kestirmeden hesaplanır ve log-rank'la bağlantılıdır. R summary(coxph) de aynı üçlüyü verir.

129.5.5 Harrell uyum indeksi (C)

C=\frac{N_{\text{uyumlu}}+\tfrac12N_{\text{eşit }\eta}}{N_{\text{uyumlu}}+N_{\text{uyumsuz}}+N_{\text{eşit }\eta}}
  • Her olay i için, t_i'de hâlâ riskte olan ve aynı anda olay yaşamamış her j ile çift kurulur.
  • Uyumlu: \eta_i>\eta_j (önce ölenin riski yüksek); uyumsuz: \eta_i<\eta_j; eşit: |\eta_i-\eta_j|\le10^{-12} göreli.
  • Aynı anda olay yaşayan çiftler dışarıda bırakılır (R'da tied.y). R survival::concordance tanımıdır (concordance_cox, :558–598).

C=0{,}5 rastlantı, 1 kusursuz sıralamadır. Yorum satırı C>0{,}7 için "iyi", 0{,}6–0{,}7 "orta" der (:1115–1126).

129.5.6 Orantılı tehlike skor testi (Grambsch–Therneau)

PH ihlali, katsayının zamanla değişmesi demektir: \beta_k(t)=\beta_k+\gamma_k\,g(t). Test, modele \mathbf x\,g(t) terimlerini eklemenin (\hat{\boldsymbol\beta},\boldsymbol\gamma=\mathbf 0) noktasındaki skor testidir:

\mathbf Z_i(t)=\big[\mathbf x_i,\ \mathbf x_i\,\tilde g(t)\big],\qquad \tilde g(t)=g(t)-\bar g,\qquad \chi^2_{\text{genel}}=\mathbf U^{\top}\mathbf I^{-1}\mathbf U\ \ (\text{sd}=p)
\chi^2_{k}=\mathbf U_{J_k}^{\top}\big[\mathbf I_{J_kJ_k}\big]^{-1}\mathbf U_{J_k},\qquad J_k=\{1,\dots,p\}\cup\{p+k\}
  • \mathbf U, \mathbf I: genişletilmiş (2p boyutlu) kovaryat vektörüyle, \hat{\boldsymbol\beta}'da ve \boldsymbol\gamma=\mathbf 0'da Efron (ya da Breslow) skor ve bilgi matrisi. İlk p bileşen sıfırdır (\hat{\boldsymbol\beta} en büyükleyici olduğu için).
  • g(t): zaman dönüşümü. km: 1-\hat S_{KM}(t-) (olay zamanından hemen önceki KM); rank: tüm süreler arasında ortalama sıra; identity: t; log: \ln t.
  • \bar g: olay zamanlarında g'nin ortalaması (merkezleme).
  • Terim testi, \boldsymbol\beta bloğunun tamamı ile o terimin \gamma'sı birlikte alınarak hesaplanır; çok düzeyli kategorik terimde sd = sütun sayısı (ph_score_test, :210–248).

Neden Schoenfeld artıkları ve neden g(t)?

Ölçeklenmiş Schoenfeld artıklarının beklenen değeri yaklaşık \beta_k(t)'dir (Grambsch ve Therneau 1994): artıkların g(t)'ye karşı eğimi PH ihlalini gösterir. Bu eğimin sıfır olduğunu sınamak, \gamma_k=0 skor testine eşdeğerdir. g seçimi testin hangi ihlale duyarlı olduğunu belirler; km dönüşümü sansür örüntüsüne dayanıklıdır ve aykırı uzun sürelerin etkisini sınırlar. R survival 3.x cox.zph tam olarak bu skor testini hesaplar (eski sürümlerdeki yaklaşık formül değil); MerQur bununla aynıdır.

Koddaki tercih: grafik ve test ayrı hesaplanır

Test Efron (ya da Breslow) skor ve bilgi matrisiyle tam hesaplanır. Grafikteki ölçeklenmiş Schoenfeld artıkları ise \hat{\boldsymbol\beta}+d\,\mathbf V\mathbf r_k biçiminde, risk kümesi ortalaması Breslow tanımıyla hesaplanır (scaled_schoenfeld, :251–271); yalnız görseldir.

129.5.7 Temel ve ayarlı sağkalım

\hat H_0(t\mid\bar{\mathbf x})=\sum_{t_{(j)}\le t}\ \sum_{k=0}^{d_j-1}\frac{1}{\sum_{l\in R_j}r_l-\frac kd\sum_{i\in D_j}r_i},\qquad r_l=e^{(\mathbf x_l-\bar{\mathbf x})^{\top}\hat{\boldsymbol\beta}},\qquad \hat S(t\mid\bar{\mathbf x})=e^{-\hat H_0(t\mid\bar{\mathbf x})}
  • \bar{\mathbf x}: kovaryat ortalamaları (0/1 değişkenler dahil); tabakalı modelde her tabakada ayrı.
  • Efron tipi artış; Breslow ve kesin yöntemde d_j/\sum_{R_j}r_l (Breslow–Nelson–Aalen tipi) (baseline_survival_at, :276–308).
  • Herhangi bir \mathbf x için \hat S(t\mid\mathbf x)=\hat S(t\mid\bar{\mathbf x})^{\exp[(\mathbf x-\bar{\mathbf x})^{\top}\hat{\boldsymbol\beta}]}.

Ortalama profili ve R'ın varsayılanı

MerQur tabloyu tüm kovaryatların aritmetik ortalamasında verir ve eğrinin çizildiği bu profili (kovaryat başına ortalama değer) çıktıda yazar. R survival ≥ 3.0 survfit(coxph) ise faktör olarak tanımlanmış değişkenleri referans düzeyinde, sayısal değişkenleri ortalamada alır (fit$means); karşılaştırmada new_treatment faktör olarak girmiştir. İki tanım da yaygındır; önemli olan eğrinin hangi kovaryat değerlerinde çizildiğinin okura söylenmesidir. Bu veride new_treatment için R'ın varsayılan eğrisi yeni tedavi almayan hastanınkidir: \hat S(12) R'da 0,7587, MerQur'da 0,8516. R ile aynı tabloyu almak için survfit(fit, newdata = ortalamalar) yazılmalıdır (129.6.1). Ortalama profili gerçek bir hastaya karşılık gelmez (0,632 tedavi); klinik raporda ilgilenilen profiller ayrıca hesaplanmalıdır (Şekil 129.1).

129.5.8 Artıklar

\hat M_i=\delta_i-\hat\Lambda_i,\qquad \hat\Lambda_i=e^{\hat\eta_i}\,\hat H_0(T_i),\qquad \hat D_i=\operatorname{sign}(\hat M_i)\sqrt{-2\big[\hat M_i+\delta_i\ln(\delta_i-\hat M_i)\big]}
  • \hat M_i: martingale artığı, "gözlenen eksi beklenen olay sayısı"; (-\infty,1] aralığındadır. Sürekli bir x'e karşı düzgünleştirilmiş grafiği fonksiyonel biçimi gösterir.
  • \hat\Lambda_i: Cox–Snell artığı; model doğruysa birim üstel dağılır.
  • \hat D_i: sapma artığı; martingale artığının sıfır çevresinde simetrikleştirilmiş biçimi. |\hat D_i|>2{,}5 aykırı gözlem adayıdır.
  • Efron'da aynı anda ölen d kişinin k. paydası a_k ise ölenlerin tehlike artışı \sum_k(1-k/d)/a_k, risk kümesindeki öteki kişilerinki \sum_k1/a_k'dır (cox_residuals, :476–542).
  • Skor artığı \mathbf L_i ve \text{dfbeta}_i=\mathbf L_i^{\top}\hat{\mathbf V}: i. gözlem çıkarılınca \hat{\boldsymbol\beta}'nın yaklaşık değişimi; dfbetas =\text{dfbeta}/\SH, |\text{dfbetas}|>2/\sqrt n etkili gözlem adayı.

129.5.9 Küme-sağlam (Lin–Wei) varyans

\hat{\mathbf V}_{\text{sağlam}}=\hat{\mathbf D}^{\top}\hat{\mathbf D},\qquad \hat{\mathbf D}_g=\sum_{i\in g}\mathbf L_i^{\top}\hat{\mathbf V}
  • \mathbf L_i: skor artıkları; \hat{\mathbf V}=\mathbf I(\hat{\boldsymbol\beta})^{-1} naif varyans.
  • g: küme; her satır kendi kümesiyse (n küme) R robust = TRUE ile aynıdır (robust_cov, :545–555).
  • Katsayılar değişmez; SH, z, p ve GA sağlam SH ile yeniden hesaplanır ve naif SH ayrıca yazılır. Sağlam Wald \hat{\boldsymbol\beta}^{\top}\hat{\mathbf V}_{\text{sağlam}}^{-1}\hat{\boldsymbol\beta}.

Neden sandviç?

Model varsayımı (bağımsızlık ya da doğru tehlike biçimi) bozulduğunda \mathbf I^{-1} gerçek örnekleme varyansını yansıtmaz. Lin ve Wei (1989) sandviçi, skor katkılarının gözlenen değişkenliğini kullanır; küme içi ilişkiyi kümeleri toplayarak hesaba katar. Küme sayısı azsa (ör. < 30) sandviç SH küçük çıkma eğilimindedir.

129.5.10 Firth düzeltmesi

\ell^{*}(\boldsymbol\beta)=\ell_{\text{Breslow}}(\boldsymbol\beta)+\tfrac12\ln\big|\mathbf I(\boldsymbol\beta)\big|,\qquad U^{*}_r=U_r+\tfrac12\operatorname{iz}\!\Big[\mathbf I^{-1}\frac{\partial\mathbf I}{\partial\beta_r}\Big]
  • \tfrac12\ln|\mathbf I|: Jeffreys önseli biçimindeki ceza (Firth 1993; Cox modeline uyarlaması Heinze ve Schemper 2001).
  • \partial\mathbf I/\partial\beta_r: her olay zamanında risk kümesinin ağırlıklı üçüncü merkezî momenti (_penalized, cox_firth.py:40–73).
  • Kestirim: adım sınırlı (en çok 0,5) ve yarılamalı Newton; sütunlar SS'leriyle ölçeklenir, sonuç geri çevrilir (:207–220, :258–259).
  • SH: \mathbf I(\hat{\boldsymbol\beta})^{-1} (Wald). GA ve p: profil cezalı olabilirlik; \beta_k sabitlenip öteki katsayılar yeniden en büyüklenir, 2[\ell^*(\hat{\boldsymbol\beta})-\ell^*_{\text{profil}}(\beta_k)]=\chi^2_{1{,}1-\alpha} kökleri aranır (_profile_root, :139–177). Profilde ceza, tam modelin bilgi matrisiyle hesaplanır (R coxphf).
  • Çıktıdaki log-olabilirlik ve AIC cezalı değerdir (özgün ölçekte; 129.6.1).

Neden Firth?

Bir grupta hiç olay yoksa ya da bir açıklayıcı olayları kusursuz sıralıyorsa (monoton olabilirlik) en çok olabilirlik kestirimi sonsuzdur: Newton adımları katsayıyı büyütür, SH patlar, Wald p\approx1 olur. Firth cezası |\mathbf I| sıfıra gittiğinde -\infty'a gider ve kestirimi sonlu tutar; ayrıca birinci derece yanlılığı giderir. Az olaylı çalışmalarda da tercih edilir. Wald GA'sı bu durumda güvenilmez olduğu için profil GA kullanılır.

129.5.11 Tabakalı model

h(t\mid\mathbf x_i,\ s_i=s)=h_{0s}(t)\exp(\mathbf x_i^{\top}\boldsymbol\beta),\qquad \ell(\boldsymbol\beta)=\sum_s\ell_s(\boldsymbol\beta)
  • Risk kümeleri yalnız aynı tabaka içinde kurulur; her tabakanın temel tehlikesi serbesttir.
  • Tabaka değişkeninin etkisi kestirilmez; PH varsayımını bozan bir kategorik değişkeni denetlemenin yoludur.
  • C, PH testi ve temel sağkalım da tabaka içinde hesaplanır.

129.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Sayılar dogrulama/cox_regression/elle_hesap.py betiğinden (MerQur kodu çağrılmadan; Efron, Breslow ve kesin olabilirlik numpy ile) alınmıştır.

Adım 1 — Başlangıç (\boldsymbol\beta=\mathbf 0). Tüm risk skorları 1'dir; \ell(\mathbf 0)=-564{,}314856, -2\ell(\mathbf 0)=1128{,}6297. Skor vektörü (age, stage, new_treatment, biomarker):

\mathbf U(\mathbf 0)=(730{,}3711;\ 44{,}5682;\ -13{,}4461;\ 502{,}8896)

Her bileşen "ölenlerin kovaryat toplamı eksi risk kümesi ortalamalarının toplamı"dır: ölenler, ölüm anlarında riskte olanlardan ortalama daha yaşlı, daha ileri evrede, daha az yeni tedavili ve daha yüksek biyobelirteçlidir. Bilgi matrisinin köşegeni (18132{,}49;\ 113{,}0665;\ 24{,}2874;\ 97808{,}81)'dir. Skor testi \mathbf U(\mathbf 0)^{\top}\mathbf I(\mathbf 0)^{-1}\mathbf U(\mathbf 0)=68{,}6291.

Adım 2 — Newton–Raphson yinelemeleri (Efron).

Yineleme \ell(\boldsymbol\beta) \beta_{\text{age}} \beta_{\text{stage}} \beta_{\text{trt}} \beta_{\text{bio}} \max_k|U_k|
0 −564,314856 0 0 0 0 730,37
1 −529,010023 0,045340 0,432200 −0,853430 0,009498 36,89
2 −528,875741 0,047753 0,472348 −0,856832 0,010069 0,370
3 −528,8757357543 0,047777 0,472512 −0,856947 0,010071 2{,}6\times10^{-5}
4 −528,8757357543 0,047777 0,472512 −0,856947 0,010071 3\times10^{-13}

İlk adım \mathbf I(\mathbf 0)^{-1}\mathbf U(\mathbf 0) çözümün %90'ından fazlasını bulur; karesel yakınsama nedeniyle her adımda skordaki hata kabaca karesine iner.

Adım 3 — Efron düzeltmesi bir bağda. t=1{,}2 ayda iki ölüm vardır; riskte 248 kişi. \hat{\boldsymbol\beta}'da (merkezlenmemiş risk skorlarıyla) S_{0,R}=21616{,}393, ölenlerin skor toplamı S_{0,D}=73{,}062:

\begin{gathered}\text{Breslow paydası:}\quad -2\ln21616{,}393=-19{,}962415\\[4pt] \text{Efron paydası:}\quad -\ln21616{,}393-\ln\big(21616{,}393-\tfrac12\times73{,}062\big)=-\ln21616{,}393-\ln21579{,}863=-19{,}960723\end{gathered}

İkinci ölüm, birinci ölenin skorunun "yarısı" çıkarılmış küme içinden seçilir. Fark küçüktür çünkü ölenlerin skoru riskteki toplamın %0,34'üdür; bağ oranı yükseldikçe fark büyür.

Adım 4 — Katsayılar, SH, HR.

Yordayıcı \hat\beta SH z p HR %95 GA
age 0,047777 0,007880 6,0632 1{,}33\times10^{-9} 1,048936 [1,032861; 1,065262]
stage 0,472512 0,095673 4,9388 7{,}86\times10^{-7} 1,604018 [1,329757; 1,934845]
new_treatment −0,856947 0,198955 −4,3072 1{,}65\times10^{-5} 0,424456 [0,287397; 0,626879]
biomarker 0,010071 0,003247 3,1012 0,001927 1,010122 [1,003713; 1,016572]

Örnek, new_treatment: z=-0{,}856947/0{,}198955=-4{,}3072; \text{HR}=e^{-0{,}856947}=0{,}4245; GA e^{-0{,}856947\pm1{,}959964\times0{,}198955}=e^{[-1{,}246893;\ -0{,}467001]}=[0{,}2874;\ 0{,}6269]. Yaş, evre ve biyobelirteç sabitken yeni tedavi ölüm tehlikesini %57,6 azaltır.

Adım 5 — Model testleri ve C.

\ell(\hat{\boldsymbol\beta})=-528{,}875736,\qquad \text{LR}=2(-528{,}875736+564{,}314856)=70{,}8782,\qquad \text{Wald}=66{,}8557,\qquad \text{Skor}=68{,}6291\ \ (\text{sd}=4)

\text{AIC}=1057{,}7515+8=1065{,}7515. Uyum indeksi: 12085 uyumlu, 4860 uyumsuz çift, eşit \eta yok; C=12085/16945=0{,}713190.

Adım 6 — Bir hastanın göreli tehlikesi. 1 numaralı hasta: 75 yaş, evre 3, yeni tedavi yok, biyobelirteç 79,1. Ortalama profile (\bar{\mathbf x}=(61{,}684;\ 2{,}476;\ 0{,}632;\ 51{,}9588)) göre:

\frac{h(t\mid\mathbf x_1)}{h(t\mid\bar{\mathbf x})}=\exp\big[(\mathbf x_1-\bar{\mathbf x})^{\top}\hat{\boldsymbol\beta}\big]=5{,}4670

Kovaryat ortalamasında \hat S(12)=0{,}851592; bu hasta için \hat S(12)=0{,}851592^{5{,}4670}=0{,}4155.

Adım 7 — PH skor testi (g = km).

Terim \chi^2 sd p
age 2,0642 1 0,1508
stage 4,7280 1 0,0297
new_treatment 0,9401 1 0,3322
biomarker 0,6314 1 0,4268
Genel 7,8751 4 0,0963

Genel test anlamlı değildir; evre teriminde p=0{,}030 zayıf bir ihlal işaretidir. Evrelere göre log(−log Ŝ) eğrileri (Şekil 129.2) birbirine yaklaşık paraleldir ama ilk aylarda kesişmeler vardır. Seçenekler: evreye göre tabakalamak (Adım 9) ya da evre × g(t) terimiyle zamana bağlı Cox kurmak (Bölüm 132).

Şekil 129.1. Ayarlı sağkalım eğrileri: yaş, evre ve biyobelirteç ortalamada; yeni tedavi 0 ve 1. Kesikli çizgi MerQur'un tablosundaki "tüm kovaryatlar ortalamada" profilidir.

Şekil 129.2. Evrelere göre ln(−ln Ŝ) – ln t grafiği. Orantılı tehlike altında eğriler paralel kayar; aralarındaki dikey uzaklık log-HR'dir.

Adım 8 — Bağ yöntemleri, kategorik evre ve tek terim LR.

Model \hat\beta_{\text{age}} \hat\beta_{\text{stage}} \hat\beta_{\text{trt}} \hat\beta_{\text{bio}} \ell(\hat{\boldsymbol\beta})
Efron 0,047777 0,472512 −0,856947 0,010071 −528,875736
Breslow 0,047622 0,471340 −0,853522 0,010045 −529,135658
Kesin (ayrık) 0,047783 0,472773 −0,856857 0,010084 −515,934303
Firth (Breslow) 0,047425 0,470597 −0,855136 0,010037 \ell^*=-514{,}545484

Kesin yöntemin log-olabilirliği başka bir olabilirlik tanımına aittir (koşullu lojistik); öteki modellerle karşılaştırılmaz. Firth kestirimleri Breslow'a çok yakındır: 118 olay ve ayrışma yokken ceza küçük bir düzeltme yapar. Firth profil GA'ları (HR ölçeğinde): age [1,032732; 1,065068], stage [1,328450; 1,932207], new_treatment [0,288773; 0,628788], biomarker [1,003707; 1,016550]; cezalı LR \chi^2_4=70{,}6010.

Evre metne (I–IV) çevrilip kategorik girildiğinde Roma rakamı etiketler sayı içermediği için düzeyler verideki ilk görülme sırasıyla (III, II, I, IV) dizilir ve ilk düzey III referans olur: HR(II) =e^{-0{,}979601}=0{,}375, HR(I) =0{,}285, HR(IV) =0{,}938 (p=0{,}800); Tip 3 Wald \chi^2_3=29{,}2647, tek terim LR \chi^2_3=30{,}7990. Referans değişse de terim testleri aynıdır; I'e göre okumak için Veri sekmesinde sıra tanımlanır. I ve II'nin tehlikesi III'ünkünün yaklaşık üçte biri, IV ile III benzer: evrenin etkisi doğrusal değil, "I–II" ile "III–IV" arasında bir sıçrama biçimindedir. Sayısal evreyle tek terim LR: age 38,7764; stage 24,4547; new_treatment 17,6944; biomarker 9,6419 (her biri sd = 1).

Adım 9 — Tabaka ve küme-sağlam SH. Evreye göre tabakalı modelde (her evreye ayrı h_0) katsayılar age 0,046327, new_treatment −0,796891, biomarker 0,009155; C=0{,}6680 (yalnız tabaka içi çiftler). Hasta kimliğiyle küme-sağlam SH: age 0,008083 (naif 0,007880), stage 0,091270 (0,095673), new_treatment 0,192202 (0,198955), biomarker 0,003102 (0,003247); sağlam Wald \chi^2_4=77{,}6517. Sağlam ve naif SH birbirine yakındır: model varsayımları bu veride kaba biçimde bozulmamıştır.

129.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundan tam hassasiyetle alınmıştır (round ve p_yuvarla yalnız bellekte etkisizleştirilmiştir). R: 4.5.3, survival 3.8.6 coxph(ties = "efron" | "breslow" | "exact"), summary, fit$wald.test, cox.zph(transform = , terms = TRUE), survfit(fit, newdata = ortalamalar), residuals(type = "martingale" | "deviance" | "dfbeta" | "dfbetas"), drop1(test = "Chisq"), coxph(cluster = patient_id); coxphf 1.13.4 coxphf(pl = TRUE). Bağımsız Python'da kesin yöntemin paydası, MerQur'un özyinelemesinden farklı olarak Newton özdeşlikleriyle (kuvvet toplamlarından) kurulmuştur; Firth cezası sayısal türevle, profil sınırları scipy.optimize.brentq ile bulunmuştur.

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\beta age 0,047777 0,047777 0,047777 2,4e−13 ✓
SH age 0,007880 0,007880 0,007880 5,0e−15 ✓
z age 6,063161 6,063161 6,063161 2,7e−11 ✓
p age 1,3347·10−9 1,3347·10−9 1,3347·10−9 2,2e−19 ✓
HR age 1,048936 1,048936 1,048936 2,6e−13 ✓
HR GA alt age 1,032861 1,032861 1,032861 2,4e−13 ✓
HR GA üst age 1,065262 1,065262 1,065262 2,7e−13 ✓
\hat\beta stage 0,472512 0,472512 0,472512 1,1e−12 ✓
SH stage 0,095673 0,095673 0,095673 1,6e−14 ✓
z stage 4,938817 4,938817 4,938817 1,1e−11 ✓
p stage 7,8598·10−7 7,8598·10−7 7,8598·10−7 4,4e−17 ✓
HR stage 1,604018 1,604018 1,604018 1,8e−12 ✓
HR GA alt stage 1,329757 1,329757 1,329757 1,4e−12 ✓
HR GA üst stage 1,934845 1,934845 1,934845 2,2e−12 ✓
\hat\beta new_treatment −0,856947 −0,856947 −0,856947 1,1e−12 ✓
SH new_treatment 0,198955 0,198955 0,198955 2,5e−14 ✓
z new_treatment −4,307241 −4,307241 −4,307241 5,2e−12 ✓
p new_treatment 1,6530·10−5 1,6530·10−5 1,6530·10−5 3,8e−16 ✓
HR new_treatment 0,424456 0,424456 0,424456 4,8e−13 ✓
HR GA alt new_treatment 0,287397 0,287397 0,287397 3,4e−13 ✓
HR GA üst new_treatment 0,626879 0,626879 0,626879 6,8e−13 ✓
\hat\beta biomarker 0,010071 0,010071 0,010071 8,5e−15 ✓
SH biomarker 0,003247 0,003247 0,003247 8,7e−17 ✓
z biomarker 3,101209 3,101209 3,101209 2,7e−12 ✓
p biomarker 0,001927 0,001927 0,001927 1,7e−14 ✓
HR biomarker 1,010122 1,010122 1,010122 1,2e−14 ✓
HR GA alt biomarker 1,003713 1,003713 1,003713 8,7e−15 ✓
HR GA üst biomarker 1,016572 1,016572 1,016572 8,4e−15 ✓
\ell(0) −564,314856 −564,314856 −564,314856 2,3e−13 ✓
\ell(\hat\beta) −528,875736 −528,875736 −528,875736 2,3e−13 ✓
AIC (kısmi) 1065,751472 1065,751472 1065,751472 4,5e−12 ✓
LR \chi^2 70,878240 70,878240 70,878240 4,5e−13 ✓
Wald \chi^2 66,855714 66,855714 66,855714 3,9e−10 ✓
Skor (log-rank) \chi^2 68,629096 68,629096 68,629096 9,9e−14 ✓
Harrell C 0,713190 0,713190 0,713190 4,4e−16 ✓
PH \chi^2 age (g = km) 2,064194 2,064194 2,064194 2,6e−12 ✓
PH \chi^2 stage (g = km) 4,727980 4,727980 4,727980 6,3e−13 ✓
PH \chi^2 new_treatment (g = km) 0,940138 0,940138 0,940138 8,4e−13 ✓
PH \chi^2 biomarker (g = km) 0,631429 0,631429 0,631429 9,7e−14 ✓
PH genel \chi^2 (g = km) 7,875093 7,875093 7,875093 2,3e−12 ✓
PH genel p (g = km) 0,096262 0,096262 0,096262 9,0e−14 ✓

Ek karşılaştırmalar:

Breslow bağ yaklaşımı

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\beta age 0,047622 0,047622 0,047622 8,3e−17 ✓
SH age 0,007875 0,007875 0,007875 1,0e−17 ✓
\hat\beta stage 0,471340 0,471340 0,471340 1,1e−16 ✓
SH stage 0,095661 0,095661 0,095661 1,1e−16 ✓
\hat\beta new_treatment −0,853522 −0,853522 −0,853522 5,6e−16 ✓
SH new_treatment 0,198898 0,198898 0,198898 4,2e−16 ✓
\hat\beta biomarker 0,010045 0,010045 0,010045 4,3e−17 ✓
SH biomarker 0,003248 0,003248 0,003248 3,0e−18 ✓
\ell(0) −564,423686 −564,423686 −564,423686 5,7e−13 ✓
\ell(\hat\beta) −529,135658 −529,135658 −529,135658 4,5e−13 ✓
AIC (kısmi) 1066,271316 1066,271316 1066,271316 1,6e−12 ✓
LR \chi^2 70,576055 70,576055 70,576055 1,1e−12 ✓
Wald \chi^2 66,606599 66,606599 66,606599 3,0e−13 ✓
Skor (log-rank) \chi^2 68,360695 68,360695 68,360695 4,3e−14 ✓
Harrell C 0,713249 0,713249 0,713249 0,0e+00 ✓
PH \chi^2 age (km) 2,079989 2,079989 2,079989 2,8e−14 ✓
PH \chi^2 stage (km) 4,706127 4,706127 4,706127 4,4e−15 ✓
PH \chi^2 new_treatment (km) 0,944019 0,944019 0,944019 3,6e−15 ✓
PH \chi^2 biomarker (km) 0,631878 0,631878 0,631878 1,7e−15 ✓
PH genel \chi^2 (km) 7,883713 7,883713 7,883713 3,6e−14 ✓
PH genel p (km) 0,095932 0,095932 0,095932 1,4e−15 ✓

Kesin (ayrık) bağ yöntemi. Python: 2'li ve 3'lü bağlarda temel simetrik polinom Newton özdeşlikleriyle

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\beta age 0,047783 0,047783 0,047783 4,9e−17 ✓
SH age 0,007892 0,007892 0,007892 2,8e−17 ✓
\hat\beta stage 0,472773 0,472773 0,472773 3,3e−16 ✓
SH stage 0,095841 0,095841 0,095841 1,1e−16 ✓
\hat\beta new_treatment −0,856857 −0,856857 −0,856857 7,8e−16 ✓
SH new_treatment 0,199333 0,199333 0,199333 1,4e−16 ✓
\hat\beta biomarker 0,010084 0,010084 0,010084 3,1e−17 ✓
SH biomarker 0,003254 0,003254 0,003254 4,8e−18 ✓
\ell(\hat\beta) −515,934303 −515,934303 −515,934303 2,3e−13 ✓
LR \chi^2 70,761310 70,761310 70,761310 6,7e−13 ✓
Skor \chi^2 68,496657 68,496657 68,496657 5,7e−14 ✓

PH skor testi, öteki g(t) dönüşümleri

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
PH \chi^2 age (g = rank) 1,550466 1,550466 1,550466 2,1e−12 ✓
PH \chi^2 stage (g = rank) 4,843346 4,843346 4,843346 7,9e−13 ✓
PH \chi^2 new_treatment (g = rank) 1,215631 1,215631 1,215631 8,9e−13 ✓
PH \chi^2 biomarker (g = rank) 0,599691 0,599691 0,599691 5,6e−14 ✓
PH genel \chi^2 (g = rank) 7,634118 7,634118 7,634118 1,9e−12 ✓
PH genel p (g = rank) 0,105939 0,105939 0,105939 7,9e−14 ✓
PH \chi^2 age (g = identity) 2,174902 2,174902 2,174902 2,6e−12 ✓
PH \chi^2 stage (g = identity) 4,307960 4,307960 4,307960 4,8e−13 ✓
PH \chi^2 new_treatment (g = identity) 0,662704 0,662704 0,662704 7,0e−13 ✓
PH \chi^2 biomarker (g = identity) 0,588325 0,588325 0,588325 1,3e−13 ✓
PH genel \chi^2 (g = identity) 7,248153 7,248153 7,248153 2,4e−12 ✓
PH genel p (g = identity) 0,123341 0,123341 0,123341 1,1e−13 ✓
PH \chi^2 age (g = log) 3,312630 3,312630 3,312630 5,1e−12 ✓
PH \chi^2 stage (g = log) 6,262280 6,262280 6,262280 1,8e−12 ✓
PH \chi^2 new_treatment (g = log) 1,675339 1,675339 1,675339 7,3e−13 ✓
PH \chi^2 biomarker (g = log) 1,009752 1,009752 1,009752 8,0e−15 ✓
PH genel \chi^2 (g = log) 11,485933 11,485933 11,485933 3,7e−12 ✓
PH genel p (g = log) 0,021613 0,021613 0,021613 3,5e−14 ✓

Firth (Breslow; profil cezalı olabilirlik). R coxphf(pl = TRUE); R'ın cezalı log-olabilirliğine ölçekleme kayması \sum_j\ln s_j=5{,}1713 eklenmiştir. Python: ceza sayısal türevle, profil sınırları brentq ile

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\beta age 0,047425 0,047425 0,047425 2,1e−09 ✓
SH age 0,007870 0,007870 0,007870 4,9e−11 ✓
Profil GA alt (\beta) age 0,032208 0,032208 0,032208 4,2e−13 ✓
Profil GA üst (\beta) age 0,063038 0,063038 0,063038 4,4e−13 ✓
Profil cezalı LR p age 5,6261·10−10 5,6261·10−10 5,6261·10−10 2,7e−17 ✓
\hat\beta stage 0,470597 0,470597 0,470597 8,9e−10 ✓
SH stage 0,095652 0,095652 0,095652 9,5e−11 ✓
Profil GA alt (\beta) stage 0,284013 0,284013 0,284013 1,2e−11 ✓
Profil GA üst (\beta) stage 0,658663 0,658663 0,658663 4,5e−08 ✓
Profil cezalı LR p stage 7,9425·10−7 7,9425·10−7 7,9425·10−7 8,6e−19 ✓
\hat\beta new_treatment −0,855136 −0,855136 −0,855136 1,8e−08 ✓
SH new_treatment 0,198855 0,198855 0,198855 3,8e−10 ✓
Profil GA alt (\beta) new_treatment −1,242114 −1,242114 −1,242114 1,7e−12 ✓
Profil GA üst (\beta) new_treatment −0,463962 −0,463962 −0,463962 7,8e−12 ✓
Profil cezalı LR p new_treatment 2,4602·10−5 2,4602·10−5 2,4602·10−5 6,2e−17 ✓
\hat\beta biomarker 0,010037 0,010037 0,010037 4,0e−10 ✓
SH biomarker 0,003248 0,003248 0,003248 2,2e−12 ✓
Profil GA alt (\beta) biomarker 0,003700 0,003700 0,003700 3,0e−13 ✓
Profil GA üst (\beta) biomarker 0,016414 0,016414 0,016414 1,4e−09 ✓
Profil cezalı LR p biomarker 0,001916 0,001916 0,001916 6,9e−16 ✓
Cezalı LR \chi^2_4 70,600964 70,600964 70,600964 6,7e−13 ✓
Cezalı \ell^*(\hat\beta) (özgün ölçek) −514,545484 −514,545484 −514,545484 4,6e−08 ✓
Cezalı \ell^*(0) (özgün ölçek) −549,845966 −549,845966 −549,845966 4,6e−08 ✓

Evre kategorik (III referans: ilk görülme sırası): katsayılar, omnibus, Tip 3 Wald, tek terim LR (R drop1), PH testi (evre 3 sd)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\beta age 0,047939 0,047939 0,047939 1,2e−12 ✓
SH age 0,008050 0,008050 0,008050 1,6e−13 ✓
\hat\beta stage II −0,979601 −0,979601 −0,979601 3,4e−12 ✓
SH stage II 0,240928 0,240928 0,240928 2,3e−11 ✓
\hat\beta stage I −1,256989 −1,256989 −1,256989 1,6e−09 ✓
SH stage I 0,304666 0,304666 0,304666 1,4e−10 ✓
\hat\beta stage IV −0,063577 −0,063577 −0,063577 1,9e−11 ✓
SH stage IV 0,251022 0,251022 0,251022 2,3e−11 ✓
\hat\beta new_treatment −0,804818 −0,804818 −0,804818 6,3e−12 ✓
SH new_treatment 0,198886 0,198886 0,198886 3,2e−12 ✓
\hat\beta biomarker 0,009575 0,009575 0,009575 2,2e−13 ✓
SH biomarker 0,003230 0,003230 0,003230 6,2e−14 ✓
\ell(0) −564,314856 −564,314856 −564,314856 2,3e−13 ✓
\ell(\hat\beta) −525,703560 −525,703560 −525,703560 5,7e−13 ✓
AIC (kısmi) 1063,407120 1063,407120 1063,407120 1,1e−12 ✓
LR \chi^2 77,222591 77,222591 77,222591 1,4e−12 ✓
Wald \chi^2 72,803887 72,803887 72,803887 2,2e−08 ✓
Skor (log-rank) \chi^2 75,971387 75,971387 75,971387 9,9e−14 ✓
Harrell C 0,720389 0,720389 0,720389 4,4e−16 ✓
Tip 3 Wald \chi^2_3 (stage) 29,264715 29,264715 29,264715 2,8e−08 ✓
Tek terim LR \chi^2 age 37,639939 37,639939 37,639939 1,9e−12 ✓
Tek terim LR \chi^2 stage 30,799031 30,799031 30,799031 8,8e−13 ✓
Tek terim LR \chi^2 new_treatment 15,694974 15,694974 15,694974 7,2e−13 ✓
Tek terim LR \chi^2 biomarker 8,825173 8,825173 8,825173 2,5e−12 ✓
PH \chi^2 age (km) 2,003364 2,003364 2,003364 7,1e−11 ✓
PH \chi^2 stage (3 sd) (km) 5,419048 5,419048 5,419048 6,7e−10 ✓
PH \chi^2 new_treatment (km) 0,861649 0,861649 0,861649 1,1e−10 ✓
PH \chi^2 biomarker (km) 0,773199 0,773199 0,773199 3,1e−11 ✓
PH genel \chi^2 (km) 8,340807 8,340807 8,340807 8,0e−10 ✓
PH genel p (km) 0,214183 0,214183 0,214183 5,4e−11 ✓

Tek terim olabilirlik oranı testi, sayısal evre (R drop1(test = "Chisq"))

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Tek terim LR \chi^2_1 age (sayısal evre) 38,776431 38,776431 38,776431 4,5e−13 ✓
Tek terim LR \chi^2_1 stage (sayısal evre) 24,454680 24,454680 24,454680 6,5e−13 ✓
Tek terim LR \chi^2_1 new_treatment (sayısal evre) 17,694404 17,694404 17,694404 1,1e−12 ✓
Tek terim LR \chi^2_1 biomarker (sayısal evre) 9,641945 9,641945 9,641945 4,5e−13 ✓

Evreye göre tabakalı model (strata(stage))

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat\beta age 0,046327 0,046327 0,046327 2,5e−11 ✓
SH age 0,008056 0,008056 0,008056 4,0e−13 ✓
\hat\beta new_treatment −0,796891 −0,796891 −0,796891 3,4e−10 ✓
SH new_treatment 0,199200 0,199200 0,199200 8,9e−12 ✓
\hat\beta biomarker 0,009155 0,009155 0,009155 1,7e−11 ✓
SH biomarker 0,003319 0,003319 0,003319 1,5e−13 ✓
\ell(0) −404,333226 −404,333226 −404,333226 1,7e−13 ✓
\ell(\hat\beta) −380,071398 −380,071398 −380,071398 1,7e−13 ✓
AIC (kısmi) 766,142796 766,142796 766,142796 3,4e−13 ✓
LR \chi^2 48,523656 48,523656 48,523656 3,7e−13 ✓
Wald \chi^2 47,775759 47,775759 47,775759 4,4e−08 ✓
Skor (log-rank) \chi^2 49,949740 49,949740 49,949740 3,6e−14 ✓
Harrell C 0,668027 0,668027 0,668027 2,2e−16 ✓

Lin–Wei sağlam varyans (küme = patient_id; R cluster = patient_id)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Sağlam SH age 0,008083 0,008083 0,008083 1,8e−14 ✓
Naif SH age 0,007880 0,007880 0,007880 5,0e−15 ✓
p (sağlam) age 3,4064·10−9 3,4064·10−9 3,4064·10−9 3,5e−19 ✓
Sağlam SH stage 0,091270 0,091270 0,091270 6,5e−14 ✓
Naif SH stage 0,095673 0,095673 0,095673 1,6e−14 ✓
p (sağlam) stage 2,2536·10−7 2,2536·10−7 2,2536·10−7 1,0e−17 ✓
Sağlam SH new_treatment 0,192202 0,192202 0,192202 1,3e−13 ✓
Naif SH new_treatment 0,198955 0,198955 0,198955 2,5e−14 ✓
p (sağlam) new_treatment 8,2510·10−6 8,2510·10−6 8,2510·10−6 1,1e−16 ✓
Sağlam SH biomarker 0,003102 0,003102 0,003102 1,9e−15 ✓
Naif SH biomarker 0,003247 0,003247 0,003247 8,7e−17 ✓
p (sağlam) biomarker 0,001168 0,001168 0,001168 3,0e−15 ✓
Sağlam Wald \chi^2_4 77,651719 77,651719 77,651719 2,0e−10 ✓

Kovaryat ortalamasında sağkalım ve birikimli tehlike (R survfit(fit, newdata = ortalamalar))

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
\hat S(t=12\mid\bar{\mathbf x}) Efron 0,851592 0,851592 0,851592 3,0e−13 ✓
\hat H(t=12\mid\bar{\mathbf x}) Efron 0,160647 0,160647 0,160647 3,5e−13 ✓
\hat S(t=12\mid\bar{\mathbf x}) Breslow 0,851677 0,851677 0,851677 0,0e+00 ✓
\hat S(t=24\mid\bar{\mathbf x}) Efron 0,642884 0,642884 0,642884 4,7e−13 ✓
\hat H(t=24\mid\bar{\mathbf x}) Efron 0,441792 0,441792 0,441792 7,3e−13 ✓
\hat S(t=24\mid\bar{\mathbf x}) Breslow 0,643210 0,643210 0,643210 4,4e−16 ✓
\hat S(t=36\mid\bar{\mathbf x}) Efron 0,435347 0,435347 0,435347 4,0e−13 ✓
\hat H(t=36\mid\bar{\mathbf x}) Efron 0,831611 0,831611 0,831611 9,2e−13 ✓
\hat S(t=36\mid\bar{\mathbf x}) Breslow 0,435555 0,435555 0,435555 1,1e−16 ✓
\hat S(t=48\mid\bar{\mathbf x}) Efron 0,305498 0,305498 0,305498 3,0e−13 ✓
\hat H(t=48\mid\bar{\mathbf x}) Efron 1,185811 1,185811 1,185811 9,8e−13 ✓
\hat S(t=48\mid\bar{\mathbf x}) Breslow 0,305691 0,305691 0,305691 6,7e−16 ✓

Artıklar (ilk 5 satır)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Martingale, satır 1 0,446569 0,446569 0,446569 1,4e−12 ✓
Sapma, satır 1 0,538608 0,538608 0,538608 2,0e−12 ✓
dfbeta age, satır 1 0,000278 0,000278 0,000278 1,5e−15 ✓
dfbetas new_treatment, satır 1 −0,050310 −0,050310 −0,050310 2,0e−13 ✓
Martingale, satır 2 0,780967 0,780967 0,780967 4,8e−13 ✓
Sapma, satır 2 1,214551 1,214551 1,214551 1,4e−12 ✓
dfbeta age, satır 2 0,000452 0,000452 0,000452 1,4e−15 ✓
dfbetas new_treatment, satır 2 0,065329 0,065329 0,065329 4,3e−14 ✓
Martingale, satır 3 −0,543996 −0,543996 −0,543996 4,3e−13 ✓
Sapma, satır 3 −1,043068 −1,043068 −1,043068 4,1e−13 ✓
dfbeta age, satır 3 −9,5586·10−5 −9,5586·10−5 −9,5586·10−5 7,0e−16 ✓
dfbetas new_treatment, satır 3 −0,049191 −0,049191 −0,049191 5,2e−14 ✓
Martingale, satır 4 0,261234 0,261234 0,261234 3,9e−13 ✓
Sapma, satır 4 0,288236 0,288236 0,288236 4,8e−13 ✓
dfbeta age, satır 4 0,000262 0,000262 0,000262 2,0e−16 ✓
dfbetas new_treatment, satır 4 −0,010386 −0,010386 −0,010386 8,2e−14 ✓
Martingale, satır 5 0,174699 0,174699 0,174699 1,9e−13 ✓
Sapma, satır 5 0,186054 0,186054 0,186054 2,2e−13 ✓
dfbeta age, satır 5 0,000154 0,000154 0,000154 3,2e−16 ✓
dfbetas new_treatment, satır 5 −0,037788 −0,037788 −0,037788 1,3e−14 ✓

%90 güven düzeyi

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
%90 HR GA alt age 1,035429 1,035429 1,035429 2,4e−13 ✓
%90 HR GA üst age 1,062620 1,062620 1,062620 2,6e−13 ✓
%90 HR GA alt stage 1,370456 1,370456 1,370456 1,5e−12 ✓
%90 HR GA üst stage 1,877385 1,877385 1,877385 2,2e−12 ✓
%90 HR GA alt new_treatment 0,305991 0,305991 0,305991 3,6e−13 ✓
%90 HR GA üst new_treatment 0,588784 0,588784 0,588784 6,4e−13 ✓
%90 HR GA alt biomarker 1,004741 1,004741 1,004741 8,7e−15 ✓
%90 HR GA üst biomarker 1,015532 1,015532 1,015532 1,2e−14 ✓

214 değerin tamamı 10^{-6} ölçütünde eşleşir. Firth satırlarında coxphf, cezalı log-olabilirliği SS ile ölçeklenmiş tasarım üzerinden yazar; \tfrac12\ln|\mathbf I| ölçeklemeyle \sum_j\ln s_j=5{,}1713 kaydığı için R değerine bu sabit eklenerek karşılaştırılmıştır. LR farkı ve tüm katsayı, SH, GA ve p değerleri bu kaymadan etkilenmez.

129.7 Çıktıyı okuma

Sonuç metni (varsayılan ayarlar, kısaltılmış):

══ COX ORANTILI RİSK REGRESYONU ══
Toplam vaka        : 250
Olay sayısı        : 118 (%47.2)
Sansürlenmiş       : 132
── COX MODEL ÖZETİ ──
Yordayıcı                        β       HR       SE              %95 GA         p
age                         0.0478   1.0489   0.0079      (1.033, 1.065)   <0.0001 ★
stage                       0.4725   1.6040   0.0957      (1.330, 1.935)   <0.0001 ★
new_treatment              -0.8569   0.4245   0.1990      (0.287, 0.627)   <0.0001 ★
biomarker                   0.0101   1.0101   0.0032      (1.004, 1.017)    0.0019 ★
Uyum indeksi (C)     : 0.7132
Log-olabilirlik      : -528.88
AIC                  : 1065.75
── Model katsayılarının omnibus testleri (H₀: tüm β = 0) ──
-2 Log-olabilirlik (boş model)    : 1128.630
-2 Log-olabilirlik (model)        : 1057.751
Olabilirlik oranı testi           : χ²(4) = 70.8782, p < 0.0001
Wald testi                        : χ²(4) = 66.8557, p < 0.0001
Skor (log-rank) testi             : χ²(4) = 68.6291, p < 0.0001
── Orantılı tehlike skor testi (Grambsch-Therneau, g(t) = km) ──
stage                         4.7280    1    0.0297
GENEL                         7.8751    4    0.0963
── Kovaryat ortalamasında sağkalım (temel sağkalım tablosu) ──
—                     12    0.8516    0.1606
—                     24    0.6429    0.4418
Eğrinin çizildiği kovaryat profili (aritmetik ortalamalar; 0/1 kuklalar
dahil): age = 61.68, stage = 2.476, new_treatment = 0.632, biomarker = 51.96

Tablo sekmesi: Yordayıcı, β, HR, SH, GA alt, GA üst, z, p, Anlamlı (küme seçiliyse naif SH sütunu da).

Öğe Nasıl yorumlanır
β ve HR HR > 1 tehlikeyi artırır, < 1 azaltır. Sürekli değişkende HR bir birimlik artış içindir: yaşta 10 yıl için e^{10\times0{,}047777}=1{,}613.
GA ve p Wald; GA 1'i içermiyorsa anlamlı. ★ işareti seçilen \alpha'ya göredir.
Uyum indeksi (C) 0,713: rastgele seçilmiş bir çiftte önce ölenin daha yüksek risk skoruna sahip olma olasılığı %71. Ayırt edicilik ölçüsüdür; kalibrasyonu göstermez.
Log-olabilirlik, AIC Kısmi; yalnız aynı veri ve aynı olay kümesiyle kurulan modelleri karşılaştırmak için.
Omnibus Üç test de tüm \beta=0 hipotezini sınar; LR tercih edilir.
PH skor testi p<\alpha: o terim için tehlike oranı zamanla değişiyor olabilir. Genel testin anlamsız, tek terimin sınırda olması (evre) tabakalama ya da zamanla etkileşim için gerekçe olabilir.
Temel sağkalım tablosu Tüm kovaryatlar ortalamada iken \hat S(t) ve \hat H(t). Ortalama profil gerçek bir hasta değildir.
Uyarılar Küçük örneklem, EPV < 10, aşırı HR (> 5 ya da < 0,2), ayrışma belirtisi, Firth GA bulunamadı (:663–702).

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Ölüm tehlikesini incelemek için yaş, evre, yeni tedavi ve biyobelirteci içeren Cox orantılı tehlikeler modeli kuruldu (n = 250; 118 ölüm; bağlar için Efron yöntemi). Model, boş modelden anlamlı biçimde daha iyi uyum gösterdi, olabilirlik oranı \chi^2(4, N = 250) = 70{,}88, p < 0{,}001; uyum indeksi C = 0{,}71. Öteki değişkenler denetlendiğinde yeni tedavi ölüm tehlikesini azalttı (HR = 0,42; %95 GA [0,29; 0,63]; p < 0{,}001); yaştaki her yıl (HR = 1,05; %95 GA [1,03; 1,07]; p < 0{,}001), evredeki her basamak (HR = 1,60; %95 GA [1,33; 1,93]; p < 0{,}001) ve biyobelirteçteki her birim (HR = 1,010; %95 GA [1,004; 1,017]; p = 0{,}002) tehlikeyi artırdı. Grambsch–Therneau testi orantılı tehlike varsayımının genel olarak ihlal edilmediğini gösterdi, \chi^2(4) = 7{,}88, p = 0{,}096.

129.8 Uzman soruları

S1. Varsayılan bağ yöntemi neden Efron? Başka bir yazılımla neden farklı sonuç alıyorum?

Efron yaklaşımı, bağların yuvarlamadan doğduğu sürekli zamanda doğru olabilirliğe Breslow'dan daha yakındır ve hesap yükü aynıdır (Efron 1977). R coxph da Efron'u kullanır. Bazı yaygın yazılımların varsayılanı Breslow'dur; onlarla aynı sonucu almak için "Bağ yöntemi: Breslow" seçilmelidir. Bu veride fark 3. anlamlı basamaktadır (yaş: 0,047777 ve 0,047622).

S2. PH testi Schoenfeld artıklarının korelasyonu mu, skor testi mi?

Skor testi. Modele \mathbf x\,g(t) eklemenin (\hat{\boldsymbol\beta},\boldsymbol\gamma=\mathbf 0)'daki skor testi, terim başına ve genel olarak tam bilgi matrisiyle hesaplanır; R survival 3.x cox.zph ile aynıdır (129.6.1; dört dönüşümün tümü). Eski yaklaşım (ölçeklenmiş Schoenfeld artıklarıyla g(t) arasındaki korelasyon testi) R 2.x'te ve bazı yazılımlarda hâlâ kullanılır; özellikle bağlı ve tabakalı verilerde farklı sonuç verir.

S3. Ayrışma olursa ne görürüm?

Bir katsayı ıraksar: |\hat\beta|>10 ya da SH > 50 olur; MerQur "ayrışma (monoton olabilirlik) belirtisi" uyarısını yazar ve Firth'i önerir. Breslow/kesin yolunda kestirim R'ın durma kuralıyla tekrarlanır; R ile aynı büyük SH ve p\approx1 çıkar. HR ya da GA sınırı taşarsa tabloda "—" görünür. Firth seçildiğinde kestirimler sonludur ve profil GA kullanılır; profil kökü bulunamazsa ayrı uyarı verilir.

S4. Firth'te log-olabilirlik R `coxphf`'ten neden farklı?

MerQur cezalı log-olabilirliği özgün değişken ölçeğinde yazar; coxphf ise SS ile ölçeklenmiş tasarım üzerinden basar. \tfrac12\ln|\mathbf I| ölçeklemeyle \sum_j\ln s_j kadar kayar (bu veride 5,1713). Katsayılar, SH, profil GA, p ve cezalı LR testi değişmez (129.6.1). AIC cezalı log-olabilirlikten hesaplanır ve standart Cox AIC'siyle karşılaştırılmaz.

S5. Temel sağkalım tablosu R'ın `survfit(fit)` çıktısıyla neden uyuşmuyor?

R survival ≥ 3.0, faktörleri referans düzeyinde, sayısal değişkenleri ortalamada alır; new_treatment faktörken varsayılan eğri new_treatment = 0 hastasınındır (\hat S(12)=0{,}7587). MerQur tüm kovaryatların aritmetik ortalamasını kullanır (0{,}8516) ve kullandığı profili çıktıda yazar. R'da newdata ile ortalamalar verilirse değerler 10^{-12} düzeyinde aynıdır.

S6. Kategorik evre ile sayısal evre arasında nasıl karar verilir?

Sayısal giriş, evreler arası log-HR farkının sabit olduğunu (doğrusal etki) varsayar ve tek sd harcar. Kategorik giriş bu kısıtı kaldırır (3 sd). İki model iç içedir: 2\times(-525{,}7036+528{,}8757)=6{,}3444, sd = 2, p=0{,}0419; kategorik model daha iyi uyar ve II ile I arasında fark olmadığını, III–IV'te sıçrama olduğunu gösterir. MerQur'da sayısal kodlu bir sütun ancak metne çevrilince kategorik girer.

S7. Küme-sağlam SH ne zaman gerekir, neden naif SH'ye yakın çıktı?

Aynı kişiden birden çok satır (tekrarlayan olay), aynı aileden ya da klinikten hastalar varsa. Her hasta kendi kümesiyken sandviç, model yanlış belirlemesine karşı sağlamlık sağlar. Bu veride sağlam ve naif SH %5'ten az farklıdır; ciddi yanlış belirleme işareti yoktur. Küme sayısı azsa (< 30) sandviç SH aşağı yanlıdır.

S8. Uyum indeksi R'daki değerle aynı mı?

MerQur'un C'si R survival::concordance (ve summary(coxph)$concordance) tanımıdır: aynı anda olay yaşayan çiftler dışarıda, eşit \eta yarım sayılır. Bu veride 0,713190 ile R'la aynıdır. Bağlı süreleri farklı işleyen uygulamalarla, bağ çoksa üçüncü basamakta fark çıkabilir.

S9. EPV kuralı ne kadar katı?

Peduzzi ve arkadaşları (1995) Cox için olay/yordayıcı ≥ 10'u önerir; altında katsayı yanlılığı ve GA kapsamı bozulur. MerQur olay sayısı kestirilen katsayı sayısının 10 katından azsa uyarır; olay/katsayı < 5 ya da olay < 10 ise "çok küçük örneklem" uyarısı verir. Bu veride 29,5'tir.

129.9 Sık hatalar ve tuzaklar

  • Olay kodunu ters girmek. 1 = sansür, 0 = ölüm kodlaması katsayıların işaretini çevirmez ama başka bir olayı (sansürü) modeller; sonuç anlamsızdır.
  • Sayısal kodlu kategoriyi doğrusal sokmak. Evre 1–4 sayısal olduğunda tek katsayıyla girer. Doğrusal etki varsayımı sınanmalı, gerekirse sütun metne çevrilmelidir.
  • HR'yi göreli risk ya da olasılık oranı gibi okumak. HR anlık tehlike oranıdır; "ölüm olasılığı %58 azaldı" demek yanlıştır, "ölüm tehlikesi %58 azaldı" doğrudur.
  • PH ihlalini görmezden gelmek. İhlalde HR zamana göre ortalanmış bir değerdir. Tabakalama, zamanla etkileşim (Bölüm 132) ya da süreyi bölerek parça parça HR kullanılmalıdır.
  • İzlem sırasında ölçülen değişkeni başlangıç değişkeni gibi kullanmak. Tedaviye geçiş, doz değişimi gibi zamana bağlı bilgiler başlangıçta biliniyormuş gibi girilirse ölümsüz zaman yanlılığı doğar; zamana bağlı Cox kullanılmalıdır.
  • Ortalama profildeki sağkalımı "tipik hasta" sanmak. 0,632 tedavili ve evre 2,48 bir hasta yoktur. Raporda belirli profiller (Şekil 129.1) kullanılmalıdır.
  • Firth'in log-olabilirliğini standart modelle karşılaştırmak. Cezalı log-olabilirlik ve AIC başka bir amaç fonksiyonuna aittir.
  • Kesin yöntemin log-olabilirliğini Efron ile karşılaştırmak. Kesin (ayrık) olabilirlik koşullu lojistik olabilirliktir; değeri daha yüksek görünür ama karşılaştırılamaz.
  • Bağ yöntemini raporlamamak. Yazılımlar arası farkların en sık nedeni budur (R ve MerQur: Efron; bazı yaygın yazılımlar: Breslow).
  • Çok sayıda yordayıcıyla az olay. EPV < 10 olduğunda adımsal seçim aşırı uyumu artırır; Firth ya da cezalı yöntemler düşünülmelidir.

129.10 Kaynaklar

  • Andersen, P. K., & Gill, R. D. (1982). Cox's regression model for counting processes: A large sample study. The Annals of Statistics, 10(4), 1100–1120. https://doi.org/10.1214/aos/1176345976
  • 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 (Methodological), 34(2), 187–202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
  • Cox, D. R. (1975). Partial likelihood. Biometrika, 62(2), 269–276. https://doi.org/10.1093/biomet/62.2.269
  • 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
  • Firth, D. (1993). Bias reduction of maximum likelihood estimates. Biometrika, 80(1), 27–38. https://doi.org/10.1093/biomet/80.1.27
  • Gail, M. H., Lubin, J. H., & Rubinstein, L. V. (1981). Likelihood calculations for matched case-control studies and survival studies with tied death times. Biometrika, 68(3), 703–707. https://doi.org/10.1093/biomet/68.3.703
  • Grambsch, P. M., & Therneau, T. M. (1994). Proportional hazards tests and diagnostics based on weighted residuals. Biometrika, 81(3), 515–526. https://doi.org/10.1093/biomet/81.3.515
  • Harrell, F. E., Lee, K. L., & Mark, D. B. (1996). Multivariable prognostic models: Issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors. Statistics in Medicine, 15(4), 361–387. https://doi.org/10.1002/(SICI)1097-0258(19960229)15:4<361::AID-SIM168>3.0.CO;2-4
  • Heinze, G., & Schemper, M. (2001). A solution to the problem of monotone likelihood in Cox regression. Biometrics, 57(1), 114–119. https://doi.org/10.1111/j.0006-341X.2001.00114.x
  • Lin, D. Y., & Wei, L. J. (1989). The robust inference for the Cox proportional hazards model. Journal of the American Statistical Association, 84(408), 1074–1078. https://doi.org/10.1080/01621459.1989.10478874
  • Peduzzi, P., Concato, J., Feinstein, A. R., & Holford, T. R. (1995). Importance of events per independent variable in proportional hazards regression analysis II. Accuracy and precision of regression estimates. Journal of Clinical Epidemiology, 48(12), 1503–1510. https://doi.org/10.1016/0895-4356(95)00048-8
  • Schoenfeld, D. (1982). Partial residuals for the proportional hazards regression model. Biometrika, 69(1), 239–241. https://doi.org/10.1093/biomet/69.1.239
  • Therneau, T. M., & Grambsch, P. M. (2000). Modeling survival data: Extending the Cox model. Springer. https://doi.org/10.1007/978-1-4757-3294-8