以SHAP值为基础的变量间关系分析（cox版本）

以SHAP值为基础的变量间关系分析（cox版本）

以下都是基于个人认识的观点，请大家酌情参考。
变量间关系分析，在医学中称做独立危险因素分析，作用是描述变量间的关系，也为后期构建预测模型奠定基础。

为什么以SHAP值为基础进行分析

如果分析某变量对结局变量的贡献，

1. shap值反映一个变量对结局变量的贡献，且各个变量对结局变量的贡献可以进行比较，所以可以比较出各个变量对结局变量恭喜的大小；
2. SHAP值计算的是边际贡献，当SHAP值为0的时候代表改变量对结局变量的贡献即将发生方向上的变化，比如结局变量是二分类变量，此时该变量从支持这一类结局变为支持另一类结局；
3. SHAP值是在其它变量存在的情况下计算出来的，因此考虑了其他变量的影响，类似与多因素回归中的变量的权重。
4. 传统的变量间关系分析中，如果两个变量都是连续变量是最理想的，SHAP值分析可以将分类变量和cox变量转变为连续变量（SHAP值），从而便利了分析过程。

SHAP值以上的特点，让我们可以在传统变量间关系之外，有了观察变量间关系的另外的角度。为了展现以SHAP分析为基础的变量间关系的分析，制作了两个web APP进行展示，一个是这里的cox版本，另外一个是二分类和连续变量版本。

我的APP特点

1. 变量筛选模块，使用的是Boruta算法，筛选出的变量可以进入后续的SHAP分析。
   
   2.SHAP分析模块，计算SHAP值，使用的模块是treeshap包。cox数据中需要考虑时间因素计算的是累计风险SHAP值，也可以计算指定时间点的累计风险SHAP值，但是因为技术原因没有移植到APP中，但是观察对分析结果影响不大。
   
   3.RCS分析， RCS分析用于拟合变量值和该变量SHAP值之间的曲线关系，并标记出SHAP为0时的关键点。
   

总结

以上模块在常规变量间关系的分析之外，从另一个角度对变量间的关系进行了描述，有助于我们更全面地了解变量间关系。CSDN的VIP用户可以通过链接下载相关的代码。