survival | 生存分析（4）：Cox比例风险模型

最新推荐文章于 2025-03-26 15:10:30 发布

「已注销」

最新推荐文章于 2025-03-26 15:10:30 发布

阅读量6.5k

点赞数 1

文章标签： python 机器学习人工智能 java 大数据

本文链接：https://blog.csdn.net/weixin_54000907/article/details/126635278

版权

本篇推文来介绍Cox比例风险模型（Cox proportional hazards model），简称为Cox模型。

目录如下：

通过对生存曲线的学习，我们知道生存率（或死亡风险）是关于生存时间的函数。Cox模型也继承了这一假设，不过它研究的直接对象并不是生存率或死亡率，而是风险函数（hazard function），使用表示，含义是瞬时死亡率。

使用表示死亡函数，即主体生存时间不大于的概率，那么有，

基准风险（baseline hazard）表示风险函数随时间变化的部分，使用表示。

此外，风险函数还会受到主体自身原因即协变量的影响，如性别等。Cox模型假设这部分风险是与时间无关的，并使用以下形式表示：

Cox模型还假设风险函数与基准风险成比例，比例系数就是上式，称为比例风险（proportional hazards，PH），也称风险比（hazards ratio，HR），或相对风险（relative risk，RR）。

基于以上假设，有

将简记为。从而，Cox模型的形式就是：

也可写成如下类似于Logistic模型的形式：

Cox模型被归属于“半参数模型”。其中，基准风险是模型的非参数部分，它与时间的关系没有固定的分布模式；而比例风险函数则是模型的参数部分。

在介绍生存曲线时，我们知道生存率可以根据协变量进行分组计算，这样就限制了协变量必须是分类型变量。而对于Cox模型来说，比例风险部分是一个对数线性模型，连续型和离散型变量均可。

在survival工具包中，主要使用coxph()函数运行Cox模型，代码形式大致如下：

单事件：

coxph(formula = Surv(t, status) ~ X, 
      data = data, id = id)

多事件：

coxph(formula = Surv(t1, t2, status) ~ X, 
      data = data, id = id)

从形式上看，coxph()函数的用法和前面介绍的survfit()函数很相似。

在前面介绍的四种类型的生存分析中，只有多类型多事件会涉及到生存状态之间的转移过程，这使得这种情况下的模型设定会更加复杂。接下来的内容安排如下：

仍然使用推文《生存曲线（上）》第2节中使用的示例数据ovarian。

library(survival)
model1 <- coxph(Surv(futime, fustat) ~ age,
                data = ovarian)
summary(model1)

summary(model1)语句输出结果的解读如下：

## Call:
## coxph(formula = Surv(futime, fustat) ~ age, data = ovarian)
## 
##   n= 26, number of events= 12

模型形式；数据集的行数（状态事件数+删失数）；状态事件发生数。