Schoenfeld 잔차가 좋지 않을 때 비례 위험 회귀 모형의 옵션은 무엇입니까?

coxph많은 변수를 포함 하는를 사용하여 R에서 Cox 비례 위험 회귀를 수행하고 있습니다. Martingale 잔차는 훌륭해 보이며, Schoenfeld 잔차는 모든 변수에 가장 좋습니다. Schoenfeld 잔차가 평탄하지 않은 변수는 세 가지가 있으며 변수의 특성은 시간에 따라 변할 수 있다는 의미입니다.

이것들은 내가 정말로 관심이없는 변수이므로 계층화하는 것이 좋습니다. 그러나 이들 모두는 범주 형 변수가 아닌 연속 형 변수입니다. 따라서 나는 지층이 실행 가능한 경로가 아니라고 인식합니다 *. here 에 설명 된 것처럼 변수와 시간 사이의 상호 작용을 구축하려고 시도했지만 오류가 발생합니다.

  In fitter(X, Y, strats, offset, init, control, weights = weights,  :
  Ran out of iterations and did not converge

나는 거의 1000 개의 데이터 포인트로 작업하고 있으며 많은 요소가있는 6 개의 변수로 작업하고 있으므로이 데이터를 슬라이스하고 깎을 수있는 방법의 한계를 밀고있는 것처럼 느껴집니다. 불행히도, 포함 된 변수를 적게 사용하여 시도한 모든 간단한 모델은 분명히 더 나쁩니다 (예 : Schoenfeld 잔차는 더 많은 변수에 더 무겁습니다).

내 옵션은 무엇입니까? 나는 이러한 열악한 특정 변수에 신경 쓰지 않기 때문에 출력을 무시하고 싶지만 그것이 올바른 해석이 아니라고 생각합니다!

* 하나는 연속적이고, 하나는 100 이상의 범위를 가진 정수이고, 하나는 6의 범위를 갖는 정수입니다. 아마도 비닝?

기준선 위험이 어떤지 알 수있는 경우 가장 우아한 방법은 파라 메트릭 생존 모델 (Gompertz, Weibull, Exponential 등)을 사용하는 것입니다.

Cox 모델을 유지하려면 시간 종속 계수가 있는 확장 된 Cox 모델을 사용할 수 있습니다 . 공변량에 따른 시간에 따른 확장 된 콕스 모델도 있음을 명심하십시오.

R의 경우 여기를 참조하십시오 : http://cran.r-project.org/web/packages/survival/vignettes/timedep.pdf

몇 가지 아이디어-

1) Royston-Parmar 모델링 접근법 (예 : http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0047804) 과 그 참조를 사용해보십시오 . 유용한 결과를 얻었습니다.

2) 연속 변수의 센터링 및 표준화는 수치 적으로 유용 할 수 있습니다.

3) 수준이 많은 요인이있는 많은 모델에는 기본적으로 데이터가없는 수준이 몇 개 있습니다. 이를 제거하기 위해 레벨을 병합하지만 실질적인 기준에 따라 도움이 될 수 있습니다.

행운을 빕니다!

기본 시간과의 상호 작용을 사용할 수없는 경우 시도해 볼 수 있습니다 단계 기능을 (자세한 내용은 Therneau의 2016 비네팅 e 참조).

단계 함수는 특정 간격으로 특정 계수로 계층화됩니다. 문제가있는 공변량에 대한 플롯 된 Schoenfeld 잔차를 확인한 후 (예를 들어 plot(cox.zph(model.coxph))) 선의 각도가 바뀌는 위치를 시각적으로 확인해야합니다. 베타가 현저하게 다른 것으로 보이는 한두 가지 점을 찾아보십시오. 우리가 사용하는 데이터를 생성합니다 그래서이 시간 (10) 및 (20)에서 발생한다고 가정 survSplit()으로부터를survival , 상기 시간 그룹화 특정 데이터 모델의 데이터 프레임을 생성한다 패키지 :

step.data <- survSplit(Surv(t1, t2, event) ~ 
                      x1 + x2,
                      data = data, cut = c(10, 20), episode = "tgroup")

다음 실행 cox.ph와 모델 strata 문제가되는 변수와의 상호 작용으로 함수를 사용 (시간과 상호 작용하는 것처럼 시간이나 지층에 주요 효과를 추가하지 마십시오).

> model.coxph2 <- coxph(Surv(t1, t2, event) ~ 
                          x1 + x2:strata(tgroup), data = step.data)

그리고 그것은 도움이 될 것입니다.