MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → Zamana Bağlı Cox Regresyonu

Zamana Bağlı Cox Regresyonuanaliz

Bir kişinin özelliklerinin izlem sırasında değiştiği (ör. tedaviye sonradan başlama) ya da bir etkenin etkisinin zamanla değiştiği durumlarda, olay riskini her an o anki değerlere göre modelleyen Cox regresyonu.

Kavram

Sıradan Cox regresyonu kovaryatları izlemin başında ölçülmüş ve sabit kabul eder. Oysa birçok etken izlem sırasında değişir: bir hasta nakli birkaç ay bekledikten sonra alır, bir sporcu koruyucu antrenman programına sezon ortasında katılır, ilaç dozu değiştirilir. Böyle bir etkeni başlangıçtan itibaren sabit kodlamak, 'ölümsüz zaman' yanlılığı yaratır: sonradan maruz kalanlar, maruz kalana kadar olayı yaşamamış olmak zorunda olduklarından maruziyet olduğundan daha koruyucu görünür.

Çözüm, her kişinin izlemini kovaryatların sabit kaldığı aralıklara bölmektir (sayım süreci biçimi): her satır bir (başlangıç, bitiş] aralığını, o aralıktaki kovaryat değerlerini ve aralığın bir olayla bitip bitmediğini içerir. Model her olay anında risk altındaki kişilerin o anki kovaryat değerlerini karşılaştırır; tehlike oranı yorumu sıradan Cox'taki gibidir. Aynı yapı, bir etkenin etkisinin zamanla değiştiği durumlar için de kullanılır: kovaryatın zamanın bir fonksiyonuyla etkileşimi (x·g(t)) eklenerek orantılı tehlikeler varsayımı gevşetilir.

Aynı kişinin birden çok satırı bulunduğunda satırlar bağımsız değildir; özellikle yinelenen olaylarda kişi içi sağlam standart hatalar kullanılmalıdır. Zamana bağlı kovaryat, olaydan önce bilinen bir değer olmalıdır; olayın kendisinden etkilenen ya da geleceğe ait bilgi taşıyan değişkenler modele konmamalıdır. Orantılı tehlikeler varsayımı Schoenfeld artıklarıyla denetlenir.

Ne zaman kullanılır?

  • Bir maruziyet ya da tedavi izlem sırasında başlıyor, bitiyor ya da değişiyorsa (nakil, tedaviye başlama veya bırakma, tekrarlı ölçülen laboratuvar değerleri).
  • Bir kovaryatın etkisi zamanla azalıyor ya da artıyorsa (orantılı tehlikeler varsayımı bozuluyorsa) zamanla etkileşim terimi; aynı kişide olay tekrarlanıyorsa sayım süreci biçimi ile kişi içi sağlam standart hatalar kullanılır.
  • Tüm kovaryatlar başlangıçta ölçülen sabit değerlerse sıradan Cox regresyonu yeterlidir; kovaryatın izlem boyunca değişimi de ayrıca modellenecekse ortak (joint) boylamsal-sağkalım modelleri düşünülebilir.

Gündelik bir örnek

Bir futbol kulübü, oyuncuların bir sezon içinde kas sakatlığına kadar geçen süresini inceliyor. Koruyucu bir esneklik programına bazı oyuncular sezon başında, bazıları 3. ya da 5. ayda katılıyor. 5. ayda katılan bir oyuncunun ilk 5 ayı programsız dönem olarak sayılmalıdır; aksi hâlde program, katılımcılar o tarihe kadar zaten sağlam kaldığı için olduğundan daha etkili görünür. Zamana bağlı Cox, her oyuncunun izlemini programdan önceki ve sonraki aralıklara böler ve örneğin programın sakatlık riskini her an %40 azalttığını (HR = 0,60) kestirir.

MerQur'da parametreler

ID, Start, Stop, Olay sütunu ve Kovaryatlar

Kavram: Sayım süreci biçiminde her satır bir kişinin bir izlem aralığıdır: kimlik kişiyi, başlangıç ve bitiş aralığın sınırlarını, olay sütunu aralığın olayla bitip bitmediğini, kovaryatlar o aralıktaki değerleri verir.

Gündelik örnek: 5. ayda programa katılan bir oyuncunun iki satırı olur: (0, 5] aralığında program = 0 ve olay yok; (5, 9] aralığında program = 1 ve 9. ayda sakatlık varsa olay = 1.

Ne işe yarar: (başlangıç, bitiş] sayım süreci verisi; başlangıç = bitiş satırları uyarıyla dışlanır.

Sonuca etkisi: Tüm model değişir.

Doğrulama verisinde: Bladder'da 166 sıfır uzunluklu satır (TStart = TStop) dışlanır; Trt -0.45979, Number 0.17164 (SE 0.19996 ve 0.04733). uis off_trt 2.27033 (SE 0.18650). heart: 172 satır, 103 kişi, 75 olay.

→ Zamana bağlı kovaryat ve sayım süreci verisi

Kategorik kovaryatlar ve Kategorik kodlama (Gösterge ilk / Gösterge son / Sapma)

Kavram: Kategorik bir kovaryat kukla değişkenlere açılır. Gösterge kodlamasında her düzey temel düzeyle (ilk ya da son) karşılaştırılır; sapma kodlamasında ise düzeyler tüm düzeylerin ortalamasıyla karşılaştırılır.

Gündelik örnek: Oyuncunun mevkisi (kaleci, defans, orta saha, forvet) gösterge kodlamasıyla 'kaleciye göre' okunur. Sapma kodlamasında her mevki 'ortalama bir mevkiye göre' sakatlık riskinin ne kadar farklı olduğunu gösterir.

Ne işe yarar: Kategorik kovaryatların kodlanması (gösterge: temel düzey ilk ya da son düzey; sapma: son düzey -1).

Sonuca etkisi: Kukla değişken katsayılarının referansı değişir.

Doğrulama verisinde: cgd treat + inherit: ilk düzey treat_rIFN-g -1.07222 (SE 0.26187), son düzey treat_placebo +1.07222, sapma treat_placebo 0.53611 (SE 0.13094); inherit 0.1777.

→ Kukla (gösterge) değişken kodlaması

Ceza katsayısı (L2, penalizer)

Kavram: L2 (ridge) cezası, büyük katsayıları sıfıra doğru çekerek modeli kararlı hâle getirir. Kovaryatların çok ya da birbirine yüksek ilişkili olduğu, olay sayısının az olduğu durumlarda aşırı uyumu azaltır; ceza büyüdükçe katsayılar küçülür.

Gündelik örnek: Yalnız 30 sakatlık varken 12 kovaryatlı bir model kurulursa bazı tehlike oranları uç değerler alabilir. Küçük bir ceza bu oranları daha makul düzeylere çeker; ceza 0 iken model cezasız sıradan Cox'tur.

Ne işe yarar: L2 ceza n·pen·½·Σ(b·sd_x)² (standartlaştırılmış katsayılar üzerinde ridge cezası). 0 = cezasız.

Sonuca etkisi: Katsayılar sıfıra büzülür; raporlanan log-olabilirlik ve AIC cezalıdır (ekranda notla belirtilir).

Doğrulama verisinde: heart surgery katsayısı: ceza 0 için -0.63721; 0.001 için -0.63555; 0.01 için -0.62109; 0.1 için -0.51139. Ceza 0.01'de raporlanan log-olabilirlik -290.7287'dir (ceza terimi 0.1593 düşülmüş cezalı olabilirlik).

→ Düzenlileştirme (ceza) ve ceza parametresi λ/α

Zamanla etkileşim (x·g(t)) ve g(t) fonksiyonu (log t / t)

Kavram: Bir kovaryatın etkisinin zamanla değişmesine izin verir: model x yanında x·g(t) terimini de içerir; g(t) = log t ya da t seçilebilir. Etkileşim katsayısı, etkinin zaman geçtikçe ne yönde değiştiğini gösterir.

Gündelik örnek: Esneklik programının koruyucu etkisi ilk aylarda güçlü olup sonra azalıyorsa 'program x log(zaman)' terimi pozitif çıkar. Bu, sezon ilerledikçe programın tehlike oranının 1'e doğru yaklaştığını gösterir.

Ne işe yarar: Seçilen kovaryat için x·g(t) terimi eklenir; veri olay zamanlarında bölünür (heart 172 satırdan 3 606 satıra). Kovaryat listesinde olmayan sütun seçilirse terim eklenmez ve açık uyarı verilir.

Sonuca etkisi: Yeni etkileşim katsayısı eklenir; zamanla etkileşim varken PH testi, C-index ve artıklar üretilmez.

Doğrulama verisinde: Rats Group×log(t) -0.22952 (SE 1.82489); Group 0.63966 = -0.59976 - 5.4·(-0.22952). g(t) = t için Group×t -8e-05. heart transplant×log(t) -0.08512.

→ Zamana bağlı kovaryat ve sayım süreci verisi

Orantılı tehlike testi (Schoenfeld) ve PH testi zaman dönüşümü

Kavram: Schoenfeld artıklarına dayalı test, her kovaryatın tehlike oranının zamanla sabit olup olmadığını sınar. Zaman dönüşümü (Kaplan-Meier, sıra, süre, log t) testin artıkları hangi zaman ölçeğine göre değerlendireceğini belirler; p küçükse orantılı tehlikeler varsayımı o kovaryat için bozulmuş olabilir.

Gündelik örnek: Oyuncu yaşı için test anlamlıysa yaşın sakatlık riskine etkisi sezon başında ve sonunda farklıdır. Bu durumda yaş için zamanla etkileşim eklemek ya da yaş grubuna göre tabakalamak düşünülür.

Ne işe yarar: Grambsch-Therneau skor testi; dönüşüm olarak Kaplan-Meier, sıra, süre ya da log t. Kesin bağ yönteminde ve x·g(t) varken test atlanır ve not yazılır.

Sonuca etkisi: Yalnız PH testi bölümü değişir.

Doğrulama verisinde: heart genel χ²: km 3.4731, sıra 2.6843, süre 4.6879, log 2.1163; Breslow km 3.4695.

→ Orantılı tehlikeler varsayımı

Tabaka değişkeni (STRATA)

Kavram: Tabakalama, her tabakaya kendi taban tehlikesini tanır ama kovaryat etkilerini tabakalar arasında ortak kabul eder. Orantılı tehlikeler varsayımını bozan ya da etkisi kestirilmek istenmeyen bir değişkeni ayıklamanın yoludur.

Gündelik örnek: Sakatlık riski çim ve sentetik zeminde oynayan takımlarda zaman içinde farklı seyrediyorsa zemin türü tabaka yapılır. Programın tehlike oranı iki zemin için ortak kestirilir, ama zeminin kendi etkisi için ayrı bir HR verilmez.

Ne işe yarar: Her tabakaya ayrı taban tehlike, ortak β.

Sonuca etkisi: Katsayılar değişir.

Doğrulama verisinde: cgd hos.cat: steroids 1.13168; Bladder2 Visit (PWP toplam zaman, Breslow): Trt -0.3343 (SE 0.21609). Bladder2 tabakalı C-index 0.61520.

→ Tabakalı analiz (tabaka değişkeni)

Kişi içi sağlam SE - cluster(id)

Kavram: Aynı kişinin birden çok satırı ya da birden çok olayı olduğunda bu gözlemler birbirine bağımlıdır. Kişi kimliğine göre küme-sağlam (sandviç) standart hatalar bu bağımlılığı hesaba katar; katsayıları değiştirmez, belirsizliklerini daha gerçekçi verir.

Gündelik örnek: Bazı oyuncular sezonda iki ya da üç kez sakatlanıyorsa, sakatlığa yatkın birkaç oyuncu olay sayısını şişirir. Kişi içi sağlam SE, programın tehlike oranının güven aralığını bu yatkınlığı dikkate alarak genişletir.

Ne işe yarar: Aynı kişinin satırları arasındaki ilişkiyi hesaba katan sandviç varyansı.

Sonuca etkisi: SE, p ve aralıklar değişir; naif ve sağlam SE ayrıca verilir.

Doğrulama verisinde: cgd sağlam SE 0.31183 / 0.31804 / 0.46871, naif 0.26187 / 0.23560 / 0.51689; sağlam Wald 16.8115 (128 küme). Bladder sandviç SE 0.25801 / 0.06131 / 0.07555.

→ Küme-sağlam (kümelenmiş) standart hatalar

Bağ yöntemi (Efron / Breslow / Kesin)

Kavram: Aynı zamanda birden fazla olay olduğunda (bağ) kısmi olabilirliğin nasıl hesaplanacağını belirler. Efron yaklaşımı çoğu durumda yeterince doğrudur; kesin yöntem en doğrusudur ama bağ çoksa yavaştır; Breslow en basit yaklaşımdır.

Gündelik örnek: Sakatlıklar yalnız hafta olarak kaydedildiyse aynı haftada birkaç oyuncu sakatlanmış görünebilir. Bağ azsa üç yöntem neredeyse aynı tehlike oranını verir; bağ çoksa Efron ya da kesin yöntem tercih edilir.

Ne işe yarar: Bağ yaklaşımı; kesin seçenek ayrık-zaman koşullu lojistik olabilirliğidir.

Sonuca etkisi: Katsayılar ve olabilirlik değişir.

Doğrulama verisinde: cgd treat: Efron -1.07222, Breslow -1.07400, kesin -1.07906; LL -330.898 / -331.017 / -326.667.

→ Bağ yöntemi (Efron, Breslow, kesin)

Ek çıktılar: Artıklar ve Artıkları veri setine kaydet

Kavram: Artıklar modelin uyumunu denetlemeye yarar: martingale artıkları gözlenen ile beklenen olay sayısı farkını, deviance artıkları bunun daha simetrik bir biçimini, Cox-Snell artıkları genel uyumu, Xb ise her satırın doğrusal risk puanını verir. Veri setine kaydedilerek ayrıca incelenebilir.

Gündelik örnek: Martingale artığı çok büyük negatif çıkan bir oyuncu, modelin yüksek risk biçtiği hâlde hiç sakatlanmamış biridir. Bu oyuncuların ortak bir özelliği varsa (ör. hepsi aynı fizyoterapistle çalışıyorsa) modele eksik bir değişken olabilir.

Ne işe yarar: Martingale, deviance, Cox-Snell ve Xb artıkları; kaydetme seçeneği bunları veri setine sütun olarak ekler.

Sonuca etkisi: Ek çıktı ekler; kaydetme metni değiştirmez.

Doğrulama verisinde: heart için martingale ve Xb dahil artıklar satır satır verilir.

→ Cox modeli artıkları (martingal, sapma, Cox-Snell, dfbeta)

Güven Düzeyi (%90 / %95 / %99 / Diğer, özel değer)

Kavram: Tehlike oranlarının güven aralığının düzeyini belirler; aralık 1'i içermiyorsa etken riski anlamlı biçimde değiştirir.

Gündelik örnek: Programın tehlike oranı 0,60 ve %95 güven aralığı 0,40-0,90 ise program sakatlık riskini büyük olasılıkla azaltıyor; %99 seçildiğinde aralık 1'i içerecek kadar genişleyebilir.

Ne işe yarar: HR aralığının düzeyi. Başlık, yorum satırı ve anlamlılık işareti seçilen düzeyi kullanır.

Sonuca etkisi: Yalnız aralıklar değişir.

Doğrulama verisinde: heart surgery HR aralığı: %95 (0.2574, 1.0860), %90 (0.2890, 0.9674), %99 (0.2053, 1.3617), %80 (0.3303, 0.8465), %99.9 (0.1579, 1.7703).

→ Güven düzeyi ve güven aralığı

Gerçek veride örnek

Veri: Stanford kalp nakli, R survival heart

Değişkenler: ID id, aralık start-stop, olay event, kovaryatlar age, year, surgery ve zamana bağlı transplant

  • Soru: Stanford kalp nakli programında (103 hasta, 172 (start, stop] satırı, 75 ölüm) nakil (zamanla 0'dan 1'e geçen kovaryat), yaş, kabul yılı ve önceki cerrahi ölüm riskini nasıl etkiliyor?
  • Neden zamana bağlı: Hastalar nakli bekleme süresinin ardından alır; transplant'ı başlangıçta sabit kodlamak "ölümsüz zaman" yanlılığı yaratır. Sayım süreci biçimi her hastanın risk süresini nakil öncesi ve sonrası aralıklara böler.
  • Model testi: Olabilirlik oranı χ²(4) = 15.11, p = 0.0045; Wald χ²(4) = 14.49, skor χ²(4) = 15.03. Harrell C = 0.6358.
  • Sonuç: Yaş riski artırır (HR = 1.0275 [1.0003, 1.0555], p = .048); daha geç kabul yılı riski azaltır (HR = 0.8639 [0.7524, 0.9918], p = .038). Önceki cerrahi sınırda (HR = 0.529, p = .083); nakil anlamlı değildir (HR = 0.990 [0.535, 1.831], p = .974).
  • Sınırlılık: Nakil etkisinin sıfıra yakın çıkması, nakil sonrası erken dönem riskinin yüksek, geç dönemin düşük olmasından kaynaklanabilir; nakil etkisinin zamanla değişip değişmediği ayrıca sınanmalıdır.
  • APA: Zamana bağlı Cox modelinde yaş, HR = 1.03, %95 GA [1.00, 1.06], p = .048, ve kabul yılı, HR = 0.86, %95 GA [0.75, 0.99], p = .038, anlamlıdır; nakil anlamlı değildir, p = .974; LR χ²(4, N = 103) = 15.11, p = .004.

İlgili kavramlar

Orantılı tehlikeler varsayımıBağ yöntemi (Efron, Breslow, kesin)Zamana bağlı kovaryat ve sayım süreci verisiDüzenlileştirme (ceza) ve ceza parametresi λ/αCox modeli artıkları (martingal, sapma, Cox-Snell, dfbeta)Kovaryat (ortak değişken)Tabakalı analiz (tabaka değişkeni)Bağlı değerler ve sıfır farklar (sıra testleri)

Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.