더 높은 사례 상호 작용이 포함 된 경우 콕스 비례 위험 모델 및 계수 해석

다음은 내가 사용한 Coxph 모델의 요약 출력입니다 (R을 사용했으며 출력은 최상의 최종 모델을 기반으로합니다. 즉 모든 중요한 설명 변수와 해당 상호 작용이 포함됩니다).

 coxph(formula = Y ~ LT + Food + Temp2 + LT:Food + LT:Temp2 + 
Food:Temp2 + LT:Food:Temp2) # Y<-Surv(Time,Status==1)

n = 555

               coef         exp(coef)          se(coef)      z           Pr(>|z|)     
LT             9.302e+02      Inf             2.822e+02    3.297        0.000979 *** 
Food           3.397e+03      Inf             1.023e+03    3.321        0.000896 *** 
Temp2          5.016e+03      Inf             1.522e+03    3.296        0.000979 *** 
LT:Food        -2.250e+02    1.950e-98        6.807e+01    -3.305       0.000949 *** 
LT:Temp2       -3.327e+02    3.352e-145       1.013e+02    -3.284       0.001022 ** 
Food:Temp2     -1.212e+03    0.000e+00        3.666e+02    -3.307       0.000942 *** 
LT:Food:Temp2   8.046e+01    8.815e+34        2.442e+01     3.295       0.000986 *** 
--- 
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Rsquare= 0.123   (max possible= 0.858 ) 
Likelihood ratio test= 72.91  on 7 df,   p=3.811e-13 
Wald test            = 55.79  on 7 df,   p=1.042e-09 
Score (logrank) test = 78.57  on 7 df,   p=2.687e-14 

질문은 :

이 경우 계수 및 exp (coef) 값을 해석하는 방법은 매우 큰 값입니까? 또한 해석이 더 혼동되는 3 가지 경우의 상호 작용이 포함됩니다.

내가 지금까지 온라인에서 찾은 Coxph-model에 관한 모든 예제는 중재 용어 (항상 중요하지 않은 것으로 판명 됨)와 계수 값 (= 위험률) 및 이들의 지수 (= 위험률)와 관련하여 정말 간단했습니다. 예를 들어 계수 = 1.73-> exp (coef) = 5.64와 같이 아주 작고 다루기 쉬운 숫자입니다. 그러나 요약 결과 (위)에서 볼 수 있듯이 광산은 더 큰 숫자입니다. 그리고 그것들은 매우 큰 이유이기 때문에 거의 이해가되지 않는 것 같습니다.

상호 작용이 1 단위 (?) 증가 할 때 생존율이 8.815e + 34 (상호 작용 LT : Food : Temp2에서 취한 위험 비) 시간보다 낮다고 생각하는 것은 약간 터무니없는 것 같습니다.

실제로 나는이 3 가지 경우의 상호 작용을 해석하는 방법을 모른다. 상호 작용의 모든 변수가 1 단위 씩 증가 할 때 생존이 특정 양만큼 감소한다는 것을 의미합니까 (exp (coef)-값으로 표시)?

누군가 나를 도울 수 있다면 좋을 것입니다. :)

아래는 콕스 분석에 사용한 데이터 시트의 일부입니다. 여기서 몇 가지 "시간, 상태 응답 변수"에 대해 동일한 설명 변수 값 (예 : LT, 음식 및 Temp2)을 여러 번 사용했음을 알 수 있습니다. 이 설명 변수 값은 이미 이러한 변수의 평균 값입니다 (현장에서 현장 작업 설정으로 인해 관찰 된 각 응답 개인에 대한 개별 설명 변수 값을 얻을 수 없었으므로이 단계에서 이미 사용 된 평균 값 ), 제안 1 (?)에 대한 답변입니다 (첫 번째 답변 참조).

제안 2 (첫 번째 답변 참조) : 나는 R을 사용하고 있으며 아직 슈퍼 신이 아닙니다. :) 따라서, predict (cox.model, type = "expected") 함수를 사용하면 엄청난 양의 다른 값을 얻을 수 있으며 어떤 설명 변수가 어떤 순서로 참조되는지에 대한 단서가 없습니다. 또는 예측 함수에서 특정 교호 작용 항을 강조 할 수 있습니까? 내가 여기서 자신을 명확하게하고 있는지 확실하지 않습니다.

제안 3 (첫 번째 답변 참조) : 아래 데이터 시트에서 설명 변수가 다른 단위를 볼 수 있습니다. 그것들은 모두 다르며 소수를 포함합니다. 이것이 cox 결과와 관련이있을 수 있습니까?

데이터 시트의 일부 :

Time (days)     Status      LT(h) Food (portions per day) Temp2 (ºC)
28                0         14.42        4.46             3.049
22                0         14.42        4.46             3.049
9                 1         14.42        4.46             3.049
24                0         15.33        4.45             2.595
24                0         15.33        4.45             2.595
19                1         15.33        4.45             2.595

건배, 운나

CoxPH와 직접 관련된 것이 아니라 상호 작용 및 공선 성과 관련된 몇 가지 제안

1) 이와 같은 "미친"값을 얻을 때 가능한 가능성은 공선 성입니다. 상호 작용할 때 종종 문제가됩니다. 모든 변수를 중심에 두었습니까 (각 평균을 빼서)?

2) 많은 상호 작용 중 하나의 상호 작용을 너무 쉽게 해석 할 수 없습니다. LT, 음식 및 temp2는 모두 많은 상호 작용에 관여합니다. 서로 다른 조합에서 예측 된 값을보십시오.

3) 다른 변수의 단위를 확인하십시오. 미친 매개 변수를 얻을 때 때로는 단위 문제 (예 : 밀리미터 또는 킬로미터의 인간 높이 측정)

4) 일단 그 내용을 정리하면 다른 상호 작용 (특히 높은 수준의 것)의 영향을 생각하는 가장 쉬운 방법은 예측 된 값을 독립적 인 값의 다른 조합으로 그래프로 그리는 것입니다.