Regressão de Cox

Visão global
Regressão de Cox, que implementa o modelo de riscos proporcionais ou modelo de duração, é projetado para análise de tempo até que um acontecimento ou de tempo entre eventos. uma ou mais variáveis preditoras, covariáveis chamados, são usados para prever um estatuto (do evento) variável. A análise univariada exemplo clássico é o tempo de diagnóstico de uma doença terminal até que o caso de morte (daí a análise de sobrevivência). regressão de Cox também é utilizado para a adopção de políticas / estudos de difusão (ver Jones & Branton, 2005). A saída central de estatística é a razão de risco. Observe que ao contrário dos modelos paramétricos discutido na secção sobre a história de modelos evento (EHA), regressão de Cox é semi-paramétricos e não requer do pesquisador para especificar uma taxa de risco de base ou estimar o risco absoluto. Por esta razão, a regressão de Cox pode ser preferido em relação aos modelos paramétricos EHA quando não há nenhuma razão clara teórico para postular uma relação de risco particular de base. Na maior parte dos casos, não há motivo tão forte, clara e os pressupostos mais rigorosos de dados de modelos paramétricos EHA não se justificam, tornando os modelos de Cox a melhor escolha. Stata é o pacote de software preferido para Cox de regressão e análise de sobrevivência. Além Stata, Limdep é outro pacote estatístico com amplo suporte para os modelos de história do evento, incluindo os modelos de Cox. No Stata, declarar os dados com o comando stset, em seguida, executar a regressão de Cox com o comando stcox. Para a regressão de Cox ordinário em SPSS (ex-SPSS), Analisar seleccionar, de sobrevivência, regressão de Cox, entra a variável tempo, introduzir a variável covariáveis (s); inserir a variável de estado (a variável evento) e definir eventos para especificar o valor da ocorrência (ex., a morte = 1), em Opções você pode querer verificar que você quer 'Mostrar a função de base "para obter o efeito de tempo apenas para comparação com os efeitos covariável. regressão de Cox é um modelo específico dentro da categoria mais ampla de análise da história do evento. Para o tratamento

Conteúdo Principais conceitos e termos adequação do modelo Modelos A regressão de Cox Estratificada de regressão de Cox Regressão de Cox na Stata Regressão de Cox no SPSS / SPSS Estatística Pressupostos SPSS / saída SPSS Perguntas mais frequentes Bibliografia

relacionados importante, ver a discussão em separado do histórico de eventos métodos. Veja também a discussão em separado de Kaplan-Meier , um procedimento para estimar funções de sobrevivência e risco, mas não efeitos covariável. Veja também as tabelas de vida procedimento, utilizado para descritivo, estudos atuariais de duração onde o tempo é a única variável salientes e censurada e casos de censura não diferem.

Termos e Conceitos Fundamentais
o

Variáveis  variável de estado. Também chamado de evento ou censura variável, a variável de estado é o dependente na regressão de Cox. O exemplo clássico é a morte variável binária em estudos médicos, com a morte igual a 0 ou 1 para sobreviver à morte. No entanto, o pesquisador pode atribuir um intervalo de valores ou uma lista de valores para o evento "condição", que não tem de ser "1". A variável status é analisada em relação a uma variável de tempo (veja abaixo) ou com risco de taxa de sobrevivência é a saída central de regressão de Cox. Em um estudo de adoção de política como o evento de status, de regressão logística se concentrará na análise da variância (o logit da) a adoção, no momento da coleta de dados. Em contraste, a regressão de Cox na análise centra-se a probabilidade de aprovação em qualquer período de tempo. Porque além de conjuntos históricos não se sabe o estado final para todas as observações ou o tempo para alcançar o status final, dados censurados e conter casos de censura, que é compatível com os pressupostos da regressão de Cox, mas não com os de regressão logística.  variável tempo. O tempo de duração variável de medidas para o evento definido pela variável de estado. A variável tempo pode ser discreto ou contínuo. Normalmente, o "tempo" variável é um contador simples de unidades de tempo desde o início da série. Se o tempo é medido por uma variável de contador em unidades de tempo, o modelo de Cox assume que o risco aumenta linearmente com o tempo, à condição de co-variáveis no modelo. É possível, entretanto, para a variável tempo para ser logarítmica ou alguma outra função do contador. A significância ou não significância de covariáveis do modelo pode variar de acordo com o tipo de tempo variável utilizada. Unidades menores intervalos de tempo, proporcionar mais tempo, o que aumenta a potência dos modelos Cox (menos chance de um erro de Tipo II: pensando que não há relação entre as variáveis dependentes do modelo, quando na verdade não existe).  Análise do tempo é uma variável de tempo, onde t = 0 é o tempo de início do risco. Aparecimento de risco significa quando a falha (ou o "evento"), primeiro torna-se possível. Tempo de análise é rotulado de "t", ao passo que o "tempo" é usado quando 0 tem outros significados, tais como início da medição. A origem "é o" tempo "quando o tempo de análise, t = 0. Assim, t = tempo - origem. É possível que o tempo = t, se o evento (ex., a adoção) é possível de imediato, desde o início da medição, mas nenhum caso ainda não foram efectuadas do evento (none adotaram). Stata pressupõe tempo de análise e t = tempo padrão. No entanto, se a variável tempo no conjunto de dados não refletem sendo 0 o início do risco, mas há uma origem diferente, a origem da função Stata () pode ajustar a variável tempo de ser uma variável de tempo de análise. Além disso, a escala () função pode ajustar o intervalo de tempo para ser o que é conveniente para a análise (por exemplo, converter dias para anos). Isto é feito no Stata usando o comando stset, discutido mais adiante na seção sobre "os dados em tempo de sobrevivência (dados r)".

Covariáveis são o preditor / variáveis independentes em um model.Covariates Cox pode ser categórico (ex. sexo, raça ou contínua (ex. renda, idade). Covariates também pode ser um tempo fixo ou tempo-dependente, uma diferença que afeta a forma como a covariável é modelado em procedimentos Cox. Por exemplo, "contiguidade", (ex., codificadas 0 ou 1 para indicar se um estado era contíguo a um determinado estado ou não) seria em tempo fixo. "renda familiar média", que alterações por ano, seria tempo de variável (dependente do tempo).  Covariáveis dependentes do atraso de tempo. Recomenda-se (ex., Box-Steffensmeier & Jones, 2004: 111) que covariáveis dependentes do tempo de inscrição no formulário defasados. Isso é para evitar simultaneidade de causa e efeito. A covariável é visto como uma causa do evento, mas se altera o valor literalmente, ao mesmo tempo que o evento ocorre, a lógica de causa-efeito é perdida mesmo que o novo valor da covariável é incorporado na taxa de risco. Além disso, quando a medição do tempo do evento é impreciso, ficando ajuda a garantir que as mudanças no tempo-dependente preceder covariável eventos.  Centralizador. Se o pesquisador estará analisando as taxas de risco de base, os dados devem ser centradas covariável (subtração da média) para que eles tenham um ponto zero natural. Caso contrário, as taxas de risco de base, que são as taxas de tempo apenas quando todas as co-variáveis são zero, estão estimados para os pontos que não existem no conjunto de dados, resultando em funções de risco enganosas de base (ver Box-Steffensmeier & Jones, 2004: 65) . covariáveis categóricas são variáveis explicativas que podem ser utilizados em regressão de Cox. SPSS / SPSS irá convertê-los automaticamente em um conjunto de variáveis dummy, omitindo uma categoria, como é usual (por padrão, a última categoria, embora o SPSS / SPSS permite especificar manualmente a primeira vez). Cada variável dummy terá seu próprio coeficiente de regressão. Não é necessário especificar como covariáveis categóricas dicotômicas que já estão codificados indicador (0,1) a menos que o investigador deseja para especificar grupos para fins de parcelas. A interpretação deste coeficiente depende do tipo de esquema de codificação: 1. Indicador ", aka codificação dummy", é o padrão: coeficiente de regressão compara o efeito do manequim com a categoria de referência (a categoria omitida das covariáveis categóricas, geralmente a última categoria - o SPSS / SPSS permite ao usuário especificar ou Apelido como categoria de referência). 2. Desvio: O efeito de cada categoria, exceto a categoria de referência é comparado com o efeito médio de todas as categorias. 3. Repetida: O efeito de cada categoria é comparado com a categoria seguinte, exceto para a última categoria. 4. Diferença: Cada categoria diferente da primeira é em relação ao efeito médio de todas as categorias anteriores. 5. Helmert: Cada categoria diferente da do passado é comparado com o efeito médio de todas as categorias subseqüentes. 6. Polinomial: As categorias são tratados como igualmente espaçados ea covariável é transformado, quadráticos e cúbicos componentes linear, etc O "categóricas codificações variável" documentos tabela os códigos reais aplicados e é útil quando há necessidade de lembrar que a categoria de referência é omitida.

Data de instalação e exemplo. Setup Os dados são discutidos abaixo. Na figura abaixo, o exemplo como implementado no SPSS / SPSS está prevendo tempo para a ratificação da Constituição E.U.. (SPSS / SPSS dados podem ser transferidos para o Stata simplesmente usando Arquivo, Salvar Como, a partir dos menus e selecionar uma das opções Stata para criar uma. Dta arquivo).

A variável status é "Status" e equivale a 1 para todos os estados uma vez que não há censura casos (todos os treze estados finalmente ratificado a Constituição). A variável tempo é "Days", de medição em dias o tempo que levou a aprovação da Constituição até a determinado estado ratificou. Outras variáveis são fatores ou categóricas (ex., o tamanho do estado: covariáveis pequeno, médio ou grande) ou contínua (ex., por cento que a votação para a ratificação passado) ou dichotomouse covariáveis (ex., se o Estado foi um centro de Bill of Rights de pressão).

Stata instalação. SPSS Embora os dados podem ser exportados diretamente para uso Stata, Stata, note que tem duas etapas necessárias antes de emitir o comando stcox de regressão de Cox.  Declarações. Deve-se usar o comando stset para declarar o tempo de análise e variáveis de incapacidade. No exemplo abaixo, o comando é "Dias stset, falha (Status)". Isso faz com que Dias variável tempo e Status da variável fracasso. Para este exemplo, todos os casos, ter um status de 1, onde 1 indica falha (que neste exemplo significa a ratificação da Constituição: "falha" é o evento de interesse, se o evento é normativamente positivo ou negativo).  variáveis Dummy. Considerando que o SPSS / SPSS criará variáveis dummy automaticamente se uma variável é declarada categórica categóricas processando o botão (veja a figura acima), isso deve ser feito explicitamente no Stata. No exemplo desta seção, há uma variável "Tamanho", para o tamanho do Estado, a partir de 1 = pequeno estado para estado 3 = grande. O código Stata "tabular Size, gen (tamanhos)" a seguir cria as variáveis dummy sizes1, sizes2 e sizes3 da variável tamanho. Mais tarde, no comando stcox, sizes1 sizes2 e são utilizados como indicadores, com sizes3 ser omitidos como categoria de referência. Os cálculos resultantes da razão de verossimilhança e os coeficientes de risco são, então, o mesmo para Stata e / SPSS SPSS.

geralmente porque não (o evento ocorre) para que no período de tempo determinado. Observações  Observações censuradas à direita. . também chamado de-truncado casos esquerdo. são aquelas que não mensurada em todos os períodos de tempo.   Esquerda observações censuradas. até um determinado período de tempo. Um caso é da esquerda censurada no momento da falha / evento é conhecido apenas por ter ocorrido antes do tempo t. em seguida. observações truncadas. Um caso é censuradas à direita quando o tempo da falha / evento é conhecido apenas por ter ocorrido após t. a observação "censurada" é censuradas à direita.That tempo é. um caso de direito censurado é um evento para o qual a censura (a indicada pela variável de estado) ainda não tinha ocorrido no final do período de medição. (Nota casos direita truncado são as mesmas observações censuradas à direita). são medidos. Salvo disposição em contrário.

para quando o conjunto de dados foi coletada). que são VotePct (cento favorecendo ratificação. . que está na média dos variáveis preditoras. tendo o número de dias reflete no eixo X antes da votação para a ratificação da Constituição. O SPSS / SPSS exemplo acima gráficos das probabilidades acumuladas esperada de um estado. A função de sobrevivência covariável é a percentagem que iria sobreviver dado a covariável (s). Como razões de risco se prestam a uma discussão mais intuitivo. entretanto. Nota testes de significância podem mostrar uma covariável não é significativa. Funções  As funções de sobrevida. O coeficiente de regressão padronizado (s) da covariável (s) é / são uma medida da importância relativa da covariável (s) para a sobrevivência. para um estado hipotético. A função de sobrevida cumulativa é a percentagem de casos que sobrevivem até um determinado ponto do tempo (por exemplo. controlando o tempo. no entanto. os relatórios de resultados de regressão de Cox geralmente foco em funções de risco. refletindo a tensão dos votos) e tamanho (estados pequenos e médios contra a categoria de referência dos grandes Estados). A função de sobrevida de base é a percentagem que iria sobreviver com base no tempo sozinho.

Em estudos industrial o perigo poderia ser avaria do motor. A taxa de risco é calculado como base o logaritmo natural e elevado à potência de b: e b. o grupo de tratamento) para a taxa de risco de outro grupo (ex. tratamento = 1). Para uma covariável codificados 0. a taxa de risco é uma medida de tamanho de efeito para avaliar o sentido ea importância do efeito de uma variável preditora do risco relativo do evento. escrito em folhas de cálculo como a "função exp (b)". A taxa de risco é a probabilidade instantânea de determinado evento (por exemplo. Um pressuposto fundamental do modelo de riscos proporcionais de Cox é: a taxa de risco permanecerá constante ao longo do tempo. placebo = 0. De qualquer forma.. Em estudos de medicina o risco pode ser a morte. O modelo de Cox não diz nada sobre a forma absoluta da curva formada por duas taxas de risco ao longo do tempo. o risco pode ter um significado positivo. 1 (ex. mas em breve:  taxas de risco. só que a sua relação será constante. Ou seja.   Riscos. o grupo placebo). taxas de risco e taxas de risco são discutidas mais adiante. controlando por outros preditores no modelo.  riscos proporcionais.. No entanto. que deve incluir o basesurv "()" comando para criar uma base variável função de sobrevivência. O "perigo" é o evento de ocorrência de interesse.  As relações do perigo. . a morte = 1 em um estudo médico) que ocorrem em um determinado período de tempo. o papel das variáveis preditoras é avaliado mais por olhar razões de risco de olhar para os coeficientes b Cox de regressão. taxas de risco são apresentados graficamente em um gráfico da função de risco. a taxa de risco é a relação entre a taxa de risco dado um aumento de uma unidade na covariável para a taxa de risco sem esse aumento..Stata dá um gráfico similar usando o stcurve ". aqui chamado de "base": stcox VotePct Direitos sizes1 sizes2 . como nos estudos de difusão de tempo para aprovação. a sobrevivência de comando postestimation" após o comando real de regressão de Cox. onde o perigo é a adoção da inovação. a taxa de risco é a estimativa da relação entre a taxa de risco em um grupo (ex. a sobrevida dada através de todos os intervalos de tempo antes. Para uma covariável contínua. Baseline basesurv ().

as estimativas Cox da taxa de risco de base pode ser considerado overfitted. Para lidar com o fato do mundo real que existe amarrado vezes falha. Stata e SAS) é o método de Breslow. por exemplo. não que eles são os mesmos ao longo do tempo. mas sim uma ordenação simples de tempos de falha." Ou seja. é necessário especificar a forma assumida da função de risco. o risco de base é tão intimamente ligado ao dos dados observados. tempos de sobrevivência real não são utilizados na estimativa da probabilidade parcial da função de risco. Atenção: BoxSteffensmeier & Jones (2004: 89 nota). mas sim um método de máxima verossimilhança parcial que requer apenas a ordem dos tempos de falha não.  Manipulação vezes falha vinculados. a sintaxe do comando geral Cox de regressão é: stcox [varlist] [se] [no]. Isso é discutido mais abaixo . O método de Breslow é adequada quando existem poucos laços. O método Efron é considerado mais preciso do que Breslow quando os laços são poucos. modelos paramétricos. No entanto. O método de tratamento de laços pode ser definido pelo pesquisador em SPSS / SPSS e outros softwares. o controle de tempo). será conhecido quando a estimativa do índice de risco. paramétricos evento análise histórico modelos ainda podem ser preferidos. e não na razão de risco de base. efron. modelos de Cox não usar a estimativa da probabilidade máxima. o método da verossimilhança marginal exato eo método da verossimilhança parcial exato. A escolha do método de desempate raramente afeta os resultados substantivos. As encostas das taxas de riscos proporcionais para os dois grupos pode ser para baixo. Baseline taxa de risco. os métodos de verossimilhança parcial não teria dados vinculados. algoritmos de probabilidade parciais foram adaptados para lidar com laços. Uma vez que os pesquisadores utilizam modelos Cox são enfocadas principalmente em razão de perigo da co-variáveis. para além do método de Breslow. modelos de Cox não assumimos nenhuma distribuição específica para a forma da função de risco. indicando redução de risco ao longo do tempo. verossimilhança parcial e por modelos de Cox são semi-paramétricos. No Stata. "porque a estimativa de Cox. Para uma descrição mais pormenorizada do Breslow e outros algoritmos. Quando o investigador refere a dependência de tempo tão importante. O método padrão (em SPSS / SPSS. em contraste. consulte Caixa de Steffensmeier & Jones (2004: 54-58). três outros métodos estão disponíveis: o método Efron. Idealmente. Note também que as taxas de risco não são relações de risco e suas respectivas interpretações diferentes (isto é uma confusão em uma parte da literatura existente utilizando regressão de Cox). A diferença entre o modelo de referência eo modelo com covariáveis mostra o efeito das covariáveis do modelo. não apenas o efeito das variáveis independentes (covariáveis). concentrando-se na previsão da taxa de risco. As opções para os quatro métodos de tratamento disponíveis são os laços de Breslow. isto pode ser irrelevante. tais como exponencial ou log-linear de eventos modelos de análise da história. é difícil generalizar estas estimativas para outras configurações. um dos métodos exatos podem ser selecionados. [opções]. os intervalos entre os tempos de falha. exactm e exactp.  Note-se que riscos proporcionais significa que os riscos são proporcionais ao longo do tempo. A taxa de risco podem ser divididos em risco a relação inicial (dependendo do tempo sozinho) e da covariável índice de risco (em função da covariável (s). . Quando os laços são numerosas.

menor o risco. no entanto.Como ilustrado acima. não poderíamos ter certeza de um nível de confiança de 95% rolamentos que . controlando a carga.. se "rolamentos" = 0 para o estilo antigo e rolamentos = 1 para o novo estilo.06 é a variação proporcional em perigo quando os rolamentos da variável aumenta em 1 unidade (ou seja. Assim. Exemplo. mas não diz quanto mais rápido ou mais lento (embora não seja raro na literatura para encontrar a taxa de risco interpretado dessa maneira).0 indicam que quanto maior a covariância. ea taxa de risco de rolamentos é 0. Hazard ratios acima de 1. vai de 0 velho estilo para um novo estilo). na seção de estatísticas. A taxa de risco indica a probabilidade de um evento que ocorre mais rápido ou mais lento dado alguma covariável (s). quando todas as covariáveis (s) = 0. A taxa de risco de base representa o efeito da variável tempo sozinho. A taxa de risco de 0. em um modelo de vida determinado tipo de gerador elétrico ou rolamentos de esferas e dada carga elétrica.0. Interpretando taxas de risco são discutidas abaixo . a base de risco cumulativo para o modelo de interceptar e só o risco cumulativo na média de covariáveis no modelo completo é apresentado no "Survival" Tabela de SPSS SPSS output /.  Hazard ratio com covariáveis .0 indicam que o mais covariável. maior o perigo. Hazard ratios abaixo de 1.06. Isso é discutido mais abaixo . na seção sobre a produção estatística. isto significa que vai do velho para o novo estilo rolamentos reduziu o risco de o gerador não. intervalos de confiança a alta ea baixa na taxa de risco incluíram rolamentos 1. Se.

No Stata. basechazard baselinech ()". O comando antes de regressão Cox deve ter solicitado o creastion de uma variável de risco de base acumulada. "Stcox VotePct Direitos sizes1 sizes2. este é gerado pelo comando postestimation ". stcurve. como ilustrado acima para a função de sobrevivência covariável. cumhaz". mostrada abaixo. Para o mesmo modelo. . aqui chamado baselinech: ex.realmente fez a diferença. a função de risco covariável parecido com este: Um gráfico similar é gerado pelo Stata.

0. controlando para outras variáveis no modelo. e uma taxa de risco calculado de 3.05 significa que para um aumento de 1 unidade na covariável.1 = 10 = 2.59% = 159. o sexo um grupo = É mais provável que incorrer o evento). basehc" (baselinehc). em perigo". Para variáveis no tempo covariáveis contínuas. há um aumento de 5% na taxa de risco da variável evento que está sendo estudada.0.. podemos dizer que uma pessoa no grupo de tratamento que sobreviveu a um determinado momento tem três vezes mais chances (odds sentido. a taxa de risco é a quantidade a taxa de ocorrência mudanças para uma unidade de mudança no tempodependente da função da covariável. a taxa de risco para o sexo = 1 está na comparação com o grupo do género = 0 (ex. como abaixo foi gerado com o comando postestimation Stata "stcurve.1 para a covariável idade significaria que um aumento de um ano de idade estaria associada com um 0. o placebo covariável = 0 / tratamento = 1. A taxa de risco para nãotempo-variando covariáveis é a quantidade de mudanças no risco da ocorrência de cada unidade de mudança na covariável.Compare isso com o gráfico da função de risco em si (não cumulativo).    Para o tempo-invariante covariáveis contínuas. uma vez que o evento não curou 0/healed = = 1. Este comando requer o comando stcox antes usar o basehc (opcional) para definir uma variável baseling função de risco.1 (10%) aumento na taxa de risco. aqui baselinehc: "stcox VotePct Direitos sizes1 sizes2. podemos também dizer que por uma chance de 3:01 uma . Onde a covariável é uma variável dicotômica agrupamento. Por exemplo.59 aumentar a taxa de risco por um fator de aumento de 2. se a relação for superior a 1. A taxa de risco de 1. como o sexo. Uma vez que a taxa de risco é uma constante. Dez aumento de anos de idade que corresponde a 1. Por exemplo. um hazard ratio de 1. A taxa de risco de 1. Para covariáveis binário.12 significa que há um aumento de 12% na taxa de ocorrência de um aumento de 1 unidade na covariável. não de probabilidade) como uma pessoa no grupo placebo de ser curado no incremento da próxima vez.

oportunidade que a duração no cargo até o caso de reeleição não vai ocorrer mais cedo por um governador de um estado democrático em comparação com um em um estado republicano. tabelas de vida de usar para analisar as taxas de risco para o abuso de crianças em termos de tempo de descarga de um programa de serviços sociais. Unrau & Coleman (2006). Sobrevivência. índices medianos.. Não podemos dizer que a pessoa tratada vai curar três vezes mais rápido.  Os intervalos de confiança pode ser calculado em torno de uma taxa de risco. Vários modelos de regressão de Cox existem para caber vários conjuntos de pressupostos de dados / situações. Como segundo exemplo. para o evento "governador reeleito = 0. o risco de apenas relativa. em perigo (sobrevivência ou não) está aumentando enquanto que os aumentos covariável. Isto equivale a dizer que há 60% (05/03). risco está diminuindo e aumentando a probabilidade de sobrevivência como covariável que diminui. Este também é o mesmo que dizer que há um 04/03 = 75% de chance da pessoa no grupo de tratamento será curado em primeiro lugar. Por exemplo. a relação entre o tempo de cicatrização médio entre pastilhas de zinco e os grupos placebo losango seria medir o efeito das pastilhas de zinco sobre o tempo de duração absoluta. A tabela a vida lhe dará o número de entrar e sair da piscina de risco em qualquer intervalo de tempo. não reeleito = 1. Tabelas de vida. Se inferior a 0. Uma vez que um caso com o menor tempo para o evento é mais provável que incorrer o evento. outras medidas de tempo podem ser utilizados para avaliar a magnitude do efeito sobre o tempo de duração. as taxas de risco são também muitas vezes interpretada como a probabilidade de ocorrência de um determinado caso. por exemplo.5 significa que um governador de um estado democrático que foi no escritório de tempo t tem uma chance de 1. sugerindo a aplicação da política a ser decisivo quanto tempo após o término do programa para agendar o acompanhamento social dos trabalhadores visitas.pessoa no grupo de tratamento é mais provável que alcance o estado de cura de uma pessoa em um grupo placebo. como discutido acima. 2004).    o o Modelo de ajuste usando a razão de verossimilhança. o número de destino. acessado em SPSS / SPSS selecionando Analisar. as taxas de risco de não avaliar os efeitos absolutos. nem o tempo de cicatrização é cortado em um terço. em um estudo do efeito de pastilhas de zinco sobre a duração do resfriado comum. a AIC. o estado democrático = 1. Modelos. o número de expostos ao risco. A relação dos tempos mediana é o candidato óbvio para tal medida. estão entre os meios para calcular tempo médio de uso em proporções medianas. em comparação com um governador de um estado republicano. coeficientes de risco de covariáveis Quando o coeficiente de regressão unexponentiated para a função de risco covariável é maior do que 0 para uma dada covariável. a proporção de sobrevivência. ea taxa de risco e seu erro padrão para cada intervalo de tempo. não 0. nem que três vezes mais pessoas tratadas serão curadas por um determinado tempo (veja Spruance et al.0. mas não mostra efeito absoluto. proporção que encerra." a taxa de risco de 1. mas não faz parte do SPSS / SPSS 's módulo Cox são tabelas de vida .5:1 (ou 3:2) de não ser reeleito no tempo t +1. Tabelas de vida. discutido abaixo. Relacionados. . Porque a taxa de risco relativo. Pela mesma razão." para o "estado republicano covariável = 0. as proporções cumulativas. O coeficiente exponencial é a razão de risco e é interpretada em relação ao 1. Tábuas de Vida. e análise de resíduos é discutida na seção sobre análise histórico evento .

Veja também BoxSteffensmeier. b. aumento da idade de 1 unidade cada vez que aumenta o tempo t em 1) ou pode ser discreta variação (ex. dependente modelos de regressão de Cox-Time. Estudos de simulação de BoxSteffensmeier & DeBoef (2006) demonstraram a superioridade dos modelos de fragilidade condicional em relação aos modelos padrão de fragilidade em condições de dependência do evento. sexo = 1 ou driverstatus = 1). DeBoef & Joyce (2007). independente das covariáveis. duas para o segundo. mas só dentro dos blocos de tempo formado por mudanças nas covariáveis. parcela do risco cumulativo de y por x tempo. Análise selecionar.. No SPSS / SPSS. O coeficiente de regressão. mas o efeito varia de acordo com a magnitude da variável. será o mesmo. 1978) ou a distribuição de errado é assumido (Blossfeld & Rohwer. mostrando que os casos são os mais frágeis. modelos de fragilidade. covariáveis são constantes ao longo do tempo por um determinado assunto / observação (ex. Para verificar a dependência do evento. os coeficientes para as variáveis medidas são menos tendenciosos. Quando depdendence evento é apresentar. Fragilidade modelos são suportados pelo Stata . há um "salto" para cima ou para baixo em perigo.. Assim. alguns assuntos podem ser mais prováveis do que outros a experiência repetida perigos. Riscos ainda são proporcionais ao longo do tempo. Nestes modelos. regressão de Cox.. o comando verifica stvary para ver se são covariáveis constante de tempo ou tempo-dependente. ou ir para baixo do período de tempo ao tempo período. sobrevivência. Nestes modelos. ao explicar o caso. Ao estimar a fragilidade como uma causa da heterogeneidade não observada como um efeito aleatório.) Se a estimativa de variância fragilidade é significativo em um modelo de fragilidade condicional. modelos de fragilidade condicional estratificar casos por número de eventos (1 para a primeira experiência do evento. A fragilidade é assumida ser constante ao longo do tempo. onde os modelos de fragilidade condicional foram personalizados programados na linguagem R . esta opção suporta tipos de terrenos e de poupança das variáveis de diagnóstico não está disponível no modelo tempo-dependente. Esta probabilidade é a fragilidade "do assunto e nos modelos padrão Cox é um efeito desmedido. modelos de fragilidade são análogas às de regressão com efeitos aleatórios. 1995).. modelos de fragilidade condicional modificar modelos de fragilidade para ajustar para a dependência do evento. mas não pelo SPSS / SPSS.    constante de modelos de regressão de Cox-Time. que o pesquisador deve especificar. e ser elaborada a partir de uma determinada distribuição (geralmente de gama). Condicional modelos de fragilidade. modelos de fragilidade pode ser mal se tendenciosa fragilidade está correlacionada com as co-variáveis (Hausman. é claro. Cox w / dependente do tempo de covariáveis. Tempo variando covariáveis podem ser continuamente variável (ex. a causa da "heterogeneidade não observada"). cada vez que uma mudança significativa no valor covariável. depois heerogeneity observado afeta o modelo de dependência. continua a ser a mesma para diferentes covariáveis tempo. o efeito de fragilidade (nu) é estimado e pode ser plotado no eixo y contra caseid no eixo x. Análise selecionar. em nenhum padrão estabelecido). . modelos de fragilidade face à situação em que o mesmo indivíduo pode enfrentar o perigo mais uma vez. Além disso. a diferentes estratos irá mostrar claramente diferentes curvas de risco cumulativo em função de modelos padrão Cox. o comando stcox é usado em conjunto com a TVC (varlist) opção de declarar variáveis no tempo covariáveis. etc. devido a alguma causa não mensurável e talvez desconhecido (ou seja. uma covariável varia ao longo do tempo e pode haver constante covariáveis também. Isto significa risco relativo (razão de risco observado à linha de base) varia ao longo do tempo. Isto é. No SPSS / SPSS. levantando a possibilidade de que. Fragilidade do modelo modelos o efeito fragilidade como um efeito aleatório.  Evento dependência existe quando enfrentando o evento um momento anterior afeta a probabilidade de experimentar o evento um momento posterior. No Stata. estratificando-se pelo número de eventos. e executa o comando stcox regressão de Cox. o rendimento pode subir. No SPSS / SPSS. No Stata. Survival. mas também entre os perigos saltos são proporcionais.

refletindo a contribuição das variáveis para o modelo.  "Omnibus Testes de modelo de coeficientes" tabela usa-2LL para testar a mudança a partir da etapa anterior. são dirigidos a situações em que o evento terminal pode ocorrer mais de uma razão.05 ou menos. em vez da razão de verossimilhança com base em estimativas de parâmetros condicionais (semelhante. então pelo menos uma das variáveis no modelo em que ponto é significativa. uma "perda do quiquadrado" estatística é calculada em cada etapa. modelos concorrentes riscos tratar razões diferentes como diferentes eventos. mas mais rápido computacionalmente). em cada etapa. No passo a passo para trás. a variável adicionada em que etapa é significativo. pode-se usar o would-be variável estratificação como covariável. Alguém poderia fazer isso. Stata mas não SPSS / SPSS suporta modelos concorrentes riscos. se o significado da mudança> 0.  critério de entrada. pelo menos uma das variáveis ainda a ser adicionado ao modelo é significativa. também chamado de "múltiplos destinos" modelos. caso contrário esta será a mesma da etapa anterior). a variável com a estatística de maior pontuação não nas variáveis "na equação de mesa" é a próxima a ser inserido na etapa seguinte. permitindo a comparação das funções de risco em riscos competitivos. A cada passo. em qualquer etapa. Por exemplo. Porque é preciso assumir os mesmos efeitos em todas as categorias. Stata mas não SPSS / SPSS suporta modelos repetidos eventos. bem como "enter" (todas as variáveis do modelo entrou em uma etapa) e "block" (variáveis entrou em blocos especificado pelo usuário).05 ou menos. eventos repetidos são discutidas mais adiante na seção de análise de histórico de eventos .  critérios de remoção na regressão "Se o mandato Removido mesa". Ao entrar covariável categórica no "Strata" caixa de diálogo de regressão de Cox no SPSS / SPSS. Este critério de remoção é geralmente baseada na razão de verossimilhança com base em estimativas de máxima verossimilhança parcial. a variável é removida se o significado da perda do qui-quadrado é maior do que 0.10. que não foram proporcionais (se fosse proporcional.  eventos modelos repetidos. irá obter um perigo funções distintas de base para cada valor da variável categórica. Se a importância global é 0. discutidos abaixo. claro. o Regressão de Cox estratificado. é convencional a concluir que a exclusão dessa variável se justifica. Em cada etapa. apenas um conjunto de coeficientes agrupados são . Como em outras formas de regressão. mas o usuário pode selecionar. modelos de riscos competitivos são discutidas mais adiante na seção de análise de histórico de eventos . mas pode ser implementado como modelos de Cox também. métodos para a inserção de variáveis independentes (as covariáveis ).Log parcelas de sobrevivência. Se a mudança de significado bloco anterior é 0. se pensava que tinham funções diferentes categorias de base diferente. ou a estatística de Wald.10. a variável (s) acrescentar a este bloco é / são significativas. mas pode ser implementado como modelos de Cox também. os métodos stepwise adicionar a variável com maior pontuação significativa. Para qualquer determinada variável. na terminação de guerras pode ocorrer através da negociação ou a derrota. são direcionados para situações onde os eventos de repetição. tais como ataques múltiplos com uma doença e cura para os doentes. A estatística de contagem é utilizado pelo SPSS / SPSS como critério de entrada. Além disso. em qualquer etapa. também chamado de "episódio vários" modelos.05 ou menos. ot vários períodos de paz e de guerra para as nações. onde está a remover uma variável de cada etapa. proporcionalidade pode ser verificado pela LogMinus. Competindo modelos de riscos. regressão de Cox suporta "stepwise". Se a mudança de significado etapa anterior é 0. em qualquer etapa. o A regressão de Cox. na seção sobre "Parcelas"). Se o residual do qui-quadrado significativo. ou a mudança do bloco anterior (se a entrada de bloco é usado. o residual do qui-quadrado é calculado e exibido nas variáveis "Not in a equação" da tabela.

 Cox de regressão com dados censurados. A variável ano foi o ano em que o paciente foi aceito no programa de transplante. se houver. O STS. Se morreu = 0. stset t1 definido como a variável tempo e morreu como o mesmo variável. Anteriormente o comando stset studytime definida como a variável tempo para o evento e definir a variável morreu como a variável de evento. A sintaxe do comando geral é stcox (varlist). Comando: posttran idade stcox surg ano. o comando stset tempo definido como a variável tempo e curadas como variável de evento. regressão de Cox é executado com o comando stcox depois de declarar uma sobrevida formato dataset tempo com o comando stset. O comando stcurve pode ser usado com ou stcox StrEG para produzir sobrevivência. mais o aumento da idade a probabilidade de morte por câncer. não há ainda geradores de trabalho (sem censura casos). drug2) texp (exp (-.0. agitar e comandos ltable gerar resultados estatísticos relacionados com a análise de sobrevivência.0. No entanto. A tabela de saída principal irá mostrar a relação de risco. onde drogas = 1 significa que o paciente recebeu um medicamento contra o câncer ao invés de um placebo. Comando: idade stcox. as taxas de risco calculado que mostram o efeito da idade. o paciente recebeu um transplante e. estes pacientes ainda estavam vivos no final do estudo e constitui censura casos. dependendo se eles receberam um transplante. A (TVC drug1. risco e parcelas risco cumulativo de funções. drug1 ou drug2. Comando: idade stcox droga. Para um conjunto de dados sobre a pneumonia.05 ou menos. Para um conjunto de dados sobre o tratamento do câncer. TVC (drug1. cada um controlando para as outras duas.. controlando para a idade.  Cox de regressão com variável contínua e em tempo covariáveis. A variável estratificação não é tratado como um preditor e não os coeficientes são calculados por ele. o seu nível de probabilidade. Tivesse sido o comando idade stcox drug1 drug2. No Stata. Comando: rolamentos de carga stcox. discutido acima. é uma covariável posttran discretos variantes no tempo. portanto. no entanto. declarado pelo stset mais cedo e por isso não mencionados no comando stcox. onde os dados para drug1 e drug2 são os níveis de dosagem de duas drogas. presume-se que já declarou stset / definido o conjunto de dados o tempo de sobrevivência. como descrito acima. a carga e os rolamentos são covariáveis que não variam no tempo. Anteriormente. A variável tempo até a falha é failtime. especificamente que a quantidade da droga no organismo diminui ao longo do tempo. e seus intervalos de confiança. e id como a variável id. Para o conjunto de dados de transplante de coração Stanford. O modelo é especificado da mesma. Quanto maior a taxa de risco para a idade é acima de 1. 035 * _T)) nolog. o controle de tratamento da toxicodependência . A Surg variável = 1 quando o paciente teve uma cirurgia cardíaca prévia. Mais cedo. respectivamente. Se a probabilidade de a probabilidade de registro é 0.computados para as co-variáveis (indicadores). ea idade é uma covariável. são declarados no comando stcox usando o TVC (varlist) opção.  Cox de regressão simples com dados não censurados. Todos os casos (geradores) falharam. drug2) opção declara drug1 e drug2 ser . O STS gerar comando adiciona novas variáveis para o conjunto de dados baseado em risco previamente modelados e funções relacionadas. covariáveis dependentes do tempo.  Cox de regressão com variáveis no tempo discreto covariáveis. o seu erro padrão. Exemplos disso são a manual de Stata. mais que a droga reduziu o risco de morte por câncer. Há 1 ou 2 registros por paciente. assumindo a níveis da dosagem de drug1 drug2 e manteve-se constante em todo o corpo do paciente ao longo do tempo. o Regressão de Cox Com ou Sem-Dependent Covariates Tempo em Stata. o comando mais complexo com a TVC () e texp () podem manipular o modelo mais realista supor que o nível desses fármacos tempo é variável. A probabilidade de registro e sua probabilidade é também impresso. como os exemplos anteriores. Se posttran = 1. o modelo como um todo é importante. Quanto mais o índice de risco calculado para a droga é abaixo de 1. que permitem a comparação dessas funções entre os diferentes níveis de covariáveis. Para um conjunto de dados sobre quanto tempo geradores elétricos última até a falha. Nas variantes de stcox discutido abaixo.

Alternativamente. um efeito significativo nível do paciente. e stset comandos como descrito no StataCorp (2005: 136-138). seguido pelo tipo de comando (nu) e nu paciente da lista. e uma taxa de risco é a variação proporcional em perigo quando o nível de dosagem de drug1 aumenta em 1 unidade. Abaixo a tabela principal razão de risco. A saída é similar à regressão Cox comum. seu erro padrão e um teste de log-verossimilhança da teta. o paciente é a identificação do paciente. vce (bootstrap). Podemos querer analisar os dados em que o evento de interesse pode ocorrer mais de uma vez para o mesmo caso. 035 _t *)) opção especifica a função de definir o modo como as co-variáveis declaradas variáveis com o tempo mudam ao longo do tempo neste caso. controlando drug2 como uma função decrescente do tempo e da idade. Isso requer cálculo diferente. o Regressão de Cox Com e Sem-Dependent Covariates Tempo em SPSS / SPSS. "churchattendancerate" da pessoa com CaseID = 437 é a mesma em cada período de tempo. então há um efeito significativo fragilidade (neste caso. Quanto maior o nu. além de nível de inserção de efeitos). O texp (exp (-. Isso cria uma tabela do paciente. tendo cada caso com múltiplas falhas e criar novos processos com id novo. Neste conjunto. Regressão de Cox com fragilidade compartilhada. As relações do perigo será computado. mas não serão discutidos aqui. onde _t = t = tempo de análise . 35t)) aumenta de uma unidade. com a fragilidade compartilhada presumido. o mais provável para enfrentar o perigo. e três outras alternativas usuário especificáveis. descrito no manual de Stata. modelos de Cox pode. Isto seria feito com o comando feminino idade stcox. Para obter as alternativas. ou seja.05). Tais modelos são modelos de risco não-proporcional. mas não é usado como uma variável id convencional. O modelo simples. em uma segunda etapa. substituir. ea taxa de risco para drug1 é proporcional mudança de perigo quando o nível de concentração no sangue (ou seja. sobrevivência. Basta adicionar uma vírgula seguida de forte após a varlist stcox. Se quisermos. No SPSS / SPSS. Cox de regressão com dados de falhas múltiplas. um para cada falha. robusto é um sinônimo para vce (robusta). mas as funções de risco são calculados de forma diferente e os grupos de saída do co-variáveis em conjuntos não-tempo-dependente e tempo-dependente. ser adaptado para covariáveis que variam ao longo do tempo para os mesmos indivíduos. o mais frágil do paciente. podemos testar para ver quais os pacientes são menos ou mais frágil (ou seja. portanto. Stata suporte e isso envolve. com cada um tendo duas inserções (em épocas diferentes) e.   variável no tempo covariáveis. classificar. agrupados por assunto. Um exemplo dado no manual de Stata é um experimento com a inserção do cateter e infecção subseqüente possível. por padrão. Stata irá imprimir um valor de teta. Stata suporta estimativa convencional de matrizes de covariância-variância. Se o teste de log-verossimilhança da teta é significativa (por exemplo. ou vce (canivete) para o comando stcox. sexo = 1 não varia ao longo do tempo para um indivíduo). por exemplo. a possibilidade de duas infecções distintas. diminuindo exponencialmente pela função exp (-.. 35t). . Análise selecionar. menos ou mais contribuem para a fragilidade do paciente-nível). egen. para controlar drug1 drug2 e idade. regressão de Cox assume que os valores comuns de qualquer observação dada sobre cada covariável não variam ao longo do tempo (ex. compartilhada (paciente) efeitos (nu). regressão de Cox. Idade e sexo feminino são contínuos e dicotômica covariáveis. mas as tabelas de saída são praticamente os mesmos e interpretado o mesmo.. que é uma medida da fragilidade. Isso é feito com o stgen.  Sem-covariáveis dependentes do tempo. Aqui a unidade de análise é a inserção. <0. ex. mas sim como uma variável de fragilidade compartilhada. Tipos de estimativas de variância. no entanto. drug1 * exp (-. nu. Comando: Feminino Idade stcox. O parâmetro nolog suprime um registro de saída intermediária. mas diferentemente interpretado como antes. O modelo mais complexo com a TVC () e texp funções () dá a razão de risco para uma droga como uma função decrescente do tempo. o add vce opções (robusta). gen. compartilhada (paciente). sem a TVC () e texp funções () dá a razão de risco para. respectivamente.

Para covariáveis tempo-dependentes do tipo (2) acima. Nesse caso. (T_ <1) A verdade é avaliado como um e multiplicado pela variável correspondente CA. clique no botão Colar para abrir o Editor de sintaxe. então é preciso criar uma expressão lógica que relaciona a variável de tempo em cada período de tempo (ex. e . você pode transformá-lo (por exemplo. e se o evento é a morte = 1. o maior da covariável. Se o valor de 1. Para covariáveis tempo-dependentes do tipo (1) acima. Caso a variável é sistematicamente em relação ao tempo (a variável T_). A taxa de risco aparece como Exp (B) nas variáveis "na equação" mesa de saída do SPSS SPSS /.. dando a inferior e superior de confiança dos limites de 95% em torno do valor da Exp (B).0. dada a sobrevivência ao tempo t. juntamente com o seu erro padrão. ex. clique no botão Model para entrar a variável tempo.. T_COV_ * churchattendancerate). a Time 4: (T_ <1) * CA1 + (T_> = 1 & T_ <2) * CA2 + (T_> = 2 & T_ + <3) * CA3 (T_> = 3 & T_ <4) * CA4). óbito = 1) e introduza o covariáveis. A taxa de risco de 1. T_. Ordinária covariáveis dependentes do tempo.  Stata:. uma nova variável chamada T_COV_ é criado para uso na análise. no topo da lista de variáveis. 2. 1). Se a variável não é sistematicamente relacionado com o tempo.. vamos ser CA1 freqüência à igreja no tempo 1.0. por padrão. a morte = 1: diminuir o tempo de sobrevivência previsto). CA2 in Time 2.  SPSS / SPSS. Com covariáveis dependentes do tempo  No SPSS / SPSS.. a característica não tem qualquer influência sobre o evento. valor de p. de modo que quando codificado 0. etc. o Estado variável (e definir o seu evento. qualquer lógica sub-expressão (ec.1 vezes maior para fumantes do que para a luz e não-fumantes (fumantes = 0).0. Análise selecionar. controlando para outras variáveis em qualquer modelo. então o risco de morte é 1. define (opcionalmente transformar) em "Compute Time-Dependent Cov" caixa de diálogo. Na caixa de diálogo 'Compute TimeDependent Cov. A taxa de risco é a probabilidade de o evento ocorrer no tempo t + 1. o comando stcox gera a taxa de risco. Como discutido anteriormente na seção de regressão de Cox simples . Sobrevivência.. também chamado de "odds ratio" ou Exp (B). 1.0 indica que as variáveis no modelo não têm nenhum efeito no tempo de eventos para a variável de estado.  O risco relativo é a razão de risco para o caso em que a covariável é uma dicotomia.0. o Estatística  taxa de risco. se uma covariável é o tabagismo (0. De qualquer maneira. Neste exemplo. quando o seu risco relativo superior a 1. então um termo de interação é criado com o tempo (ex. para os dados semanais. para obter um termo de interação em tempo covariável entrou na lista covariável.  Os intervalos de confiança em Exp (B) são produzidos pelo SPSS / SPSS e outros pacotes.0 encontra-se dentro destes limites de confiança.. Quanto mais a relação de risco é inferior a 1. e os outros são zerados. w Cox / Time-Dep Cov . T_/52 iria transformá-lo anual) ou deixá-lo como T_. Quanto mais acima de 1. quando o seu risco relativo é de 1. menor as chances de o evento ocorrer (aumento previsto o tempo de sobrevivência). onde você pode digitar uma expressão lógica complexa. mais as variáveis aumentam as chances de o evento ocorrer (ex. Segmentado covariáveis dependentes do tempo.1. etc Por exemplo. selecione T_COV_ ea covariável e clique em> o "= a * b> botão". e se a taxa de risco (Exp (B)) é de 1. e aumenta a probabilidade do evento. a 1 indica a presença de uma característica. com um fumo ser pesado.  Selecionando a opção Cox tempo-dependente insere automaticamente uma variável de tempo. não se pode ter 95% de certeza de que a covariável tem qualquer efeito e deve relatá-lo como não-significativa.1.

seja por razão de probabilidade qui-quadrado ou global (score) do quiquadrado. também. Interpretação do odds ratio é discutida nas seções de análise loglinear e regressão logística . Ou seja. então o efeito de covariáveis (s) não pode ser considerado como diferente de zero. qui-quadrado ou total do qui-quadrado) como critério de significância alternativa para o modelo. o que é significativo ao nível 0.012).> 0. mas o teste da razão de verossimilhança é o teste padrão. como ilustrado abaixo. também chamado de teste de omnibus ou-2LL ou -2 log verossimilhança. Para a ilustração acima. Significa. SPSS / SPSS e alguns outros pacotes de saída também uma estatística escore (aka global. Isto significa que pelo menos uma das covariáveis contribui significativamente para a explicação de duração para o evento. o nível de significância é a mesma (0.224. até a ratificação da Constituição.11219 corresponde ao 2LL em SPSS SPSS saída / de 32. A verossimilhança da -16. a pontuação é usado na regressão stepwise Cox no SPSS / SPSS. Na figura acima. que é o exemplo simples usado aqui . o nulo (intercepto-only) modelo tinha-2LL = 45. as co-variáveis contribuem significativamente para a explicação de dias de duração dos estados. Teste da razão de verossimilhança do modelo. A taxa de probabilidade quiquadrado e seu significado (Prob) permanecem os mesmos em ambos os programas.     Comparado com outros testes. Se-2LL é significativo.224 (multiplicar por -2 para conseguir isso). Ou seja.104.88. O teste da razão de verossimilhança é preferido sobre o teste ou o teste de Wald pontuação como forma de avaliar a significância do modelo geral de modelos logísticos. que em cada etapa adiciona a variável com o maior número de pontos significativos. testes de razão de probabilidade Stepwise aparecer no "modelo de coeficientes tabela 'no SPSS / SPSS. se Sig. A estatística de pontuação. Stata: O teste da razão de verossimilhança é gerado pelo comando stcox. A probabilidade estatística -2 log aparece no "-2 log verossimilhança" da tabela do SPSS / SPSS.  intervalos de confiança.012. um modelo de diferença qui-quadrado de 12.05 (o padrão usual da ciência social). . O modelo completo tinha-2LL = 32.. Adicionando o Nohr "opção para o comando stcox suprime taxas de risco e causas dos coeficientes de risco correspondente a ser impresso. que é o modelo de tempo apenas quando todas as covariáveis são 0. o modelo como um todo é importante. o modelo é significativamente melhor do que o modelo nulo. SPSS / SPSS:. No entanto.

. os graus de liberdade (df). coeficientes de regressão positivo significa que o perigo aumenta covariável (uma maior probabilidade de que a morte = 1. Note-se que o teste 2LL é preferível ao teste de Wald ao testar o modelo global. a pesquisadora conclui que a variável é útil para o modelo.> 0. o seu valor de significância de teste de Wald. eo valor de significância do coeficiente.). enquanto os coeficientes negativos correspondem ao risco reduzido. se sig (Wald) <0.  razão de verossimilhança são discutidas mais adiante na seção de regressão logística coeficientes de regressão. SPSS / SPSS faz isso nas variáveis "na equação" mesa ilustrado abaixo. Ou seja. por ex. então o efeito covariável não pode ser considerado como diferente de zero.05. em seguida. o erro padrão de B (SE). A maioria dos pacotes que as estatísticas mostrem o coeficiente de regressão (B) para cada covariável.05 (o padrão usual da ciência social). Se Sig. todas semelhantes e interpretado como na regressão logística .

Ou seja. Na ilustração acima. a variável Direitos torna-se significativo e controle de direitos. não importa quão pequena. os dias até a ratificação da Constituição estadual está prevista a partir de diversas covariáveis. quanto mais perto da votação (VotePct inferior) ou estar na maior categoria Bill of Rights (1 = muito) ambos tendem a aumentar até o dia ratificação quando considerados isoladamente. a proximidade da votação (VotePct) é um preditor significativo. que se traduz em mais dias. por isso o sinal negativo do coeficiente de Direitos Modelo 2 significa redução de risco (da ratificação do evento). o que reflecte ou não o Estado foi fortemente envolvido na luta para incluir um Bill of Rights na Constituição (Direitos). . com todos os 13 estados de origem dos dados. Direitos foi codificado 1 = fortemente envolvida. No Modelo 1. até a ratificação. torna-se não VotePct significativa. não é devida a chance de amostragem). o sinal positivo do VotePct covariável no modelo 1 significa maior risco de ratificação. o que equivale a poucos dias até a ratificação. controla os direitos de VotePct. Exemplo. quando consideradas em conjunto. os dados não são uma amostra e qualquer efeito. (Claro. Da mesma forma. mas. 0 = não. quando um indicador binário é adicionado. Mas no modelo 2.

portanto. Stata gera os coeficientes mesmo perigo razão por padrão (observe o Nohr "opção não é utilizada para suprimir taxas de risco em favor dos coeficientes de risco). depois da ratificação e mais dias de duração). nenhum par de preditores é altamente correlacionadas.0 significa que o co-variável não tem efeito sobre as probabilidades associadas ao cargo.   A razão de chances.Como mostrado na figura acima. . Medium ratificado em poucos dias . Assim.0 estão associados com risco aumentado do evento (neste caso. na ilustração acima. Ele é usado para verificar a multicolinearidade. estados pequenos e médios ratificado antes. Odds ratio acima de 1. tamanho é categórica (1 = pequenos estados. antes da ratificação e. Exp (B) é a mudança prevista no perigo de um aumento unitário no indicador. O odds ratio para as pequenas (1) e médio (2) estados são menos de 1. Para covariáveis categóricas. sendo pequena ou média aumentou o risco.0 correspondem a coeficientes b negativos.0 correspondem aos coeficientes b positivo e odds ratio abaixo de 1. grandes estados tiveram mais dias para ratificar a Constituição estabelece. ou seja. Idealmente. os estados 2 = médio e 3 (categoria de referência) = grandes estados. deve-se interpretar que diz respeito à categoria de referência.0). indicado pelo odds ratio para o tamanho = 2 sendo a mais baixa (mais distante de 1. Exp (b)" como no SPSS / SPSS. Odds ratio abaixo de 1. menos dia). como tal. A ilustração abaixo mostra multicolinearidade não é indicado para os preditores no modelo 2. indicando que. Assim razões odds acima de 1. em comparação aos estados grandes (3. não ". a categoria de referência). Matriz de correlação dos coeficientes de regressão é um dos quadros do SPSS SPSS output / saída e de outros pacotes. Stata rótulos as taxas de risco. Odds ratio de 1. Por exemplo.0 estão associados com risco de diminuição do evento (neste caso. Exp (B) na saída acima é a razão de chances. discutido acima. que é também a razão de risco para uma dada covariável.0.

fazendo com que meios covariável a zero.05 ou menos. Exp (b) intervalos. Geralmente essa taxa aumenta com o tempo. em seguida. bem como uma linha para cada não-omissão de valor (ex. SE. Nohr. ou confiança. a base da função risco acumulado é exibido para várias vezes representados como linhas. etc. mas com coeficientes substituído por razões de risco. o pesquisador pode concluir que pelo menos um dos coeficientes de efeito diferente de zero. Saída será muito semelhante ao padrão. pode ser reinvoked coeficientes de regressão para mostrar um pouco do que taxas de risco: stcox. mas terá um valor de Wald e da importância correspondente (veja abaixo). Como ilustrado abaixo. ao invés de ser uma taxa única.  SPSS / SPSS: O coeficiente de regressão não padronizados. taxas de risco cumulativo Baseline são mais fáceis de interpretar quando dados numéricos covariável foram normalizados (não é o caso ilustrado abaixo).. As variáveis categóricas.  Stata: Após a montagem de um modelo de regressão de Cox com stcox. Quando as co-variáveis são categóricas. No SPSS / SPSS e outros pacotes. "religião" (1) . sobrevivência e taxas de risco cumulativo. cada uma com uma linha de base correspondente taxa de risco cumulativo.  . se uma variável é categórica. só o tempo quando todas as co-variáveis = 0.  Baseline risco cumulativo é a taxa de risco para o modelo.) A linha geral não terá entradas para B. Este significado global Wald testa a hipótese nula de que todos os coeficientes para o efeito que a variável categórica é zero. a religião "(2)".. a taxa será para as pessoas na categoria "0" para cada covariável. com taxas de risco de base interpretado como de tempo somente para as pessoas na média dos covariável (s ). Se a importância global Wald é 0. Baseline risco. "religião"). haverá uma linha geral (ex. "B" aparece nas variáveis "na equação" tabela do SPSS / SPSS.

então haverá uma parcela de sobrevivência acumulada para cada valor. A taxa de sobrevida é o percentual estimado de casos que não tiveram o evento de interesse pela linha do tempo especificado. declive parcelas de sobrevida acumulada abaixo da esquerda para a direita desde cumulativa sobrevivência diminui à medida que aumenta o tempo de sobrevivência. 0 = não-fumadores ou light. Matematicamente. Na ilustração acima. também ilustrado anteriormente referido . de pessoas ou outras unidades de observação a média da covariável (s). permitindo a comparação. mas para o modelo em que o tempo ea covariável (ex.. Neste enredo. representado no eixo X. Se uma variável categórica tem dois valores (por exemplo. anteriormente ilustrado acima . o início do risco é a adoção da Constituição. No exemplo acima. A coluna "Sobrevivência na saída SPSS SPSS / dá a taxa de sobrevivência estimada para a linha de tempo especificado após o início do risco do evento. eo evento é a ratificação da Constituição (o "risco" do evento). o eixo X ainda é tempo de sobrevida. idade) são preditores. por 224 dias após a aprovação da Constituição de Filadélfia. apoiada pela SPSS / SPSS e outros pacotes. As curvas representam um indivíduo hipotético (ou outra unidade de análise). Taxas cumulativas de perigo. Parcelas cumulativas de perigo. O eixo Y. A curva (s) mostram como diminui a sobrevida cumulativa ao longo do tempo para tais indivíduos hipotéticos. 1 = tabagismo pesado). com valores médios na covariável (s) a qualquer momento. o risco cumulativo é a negativa do registro da sobrevivência. Parcelas cumulativas de sobrevivência. Neste lote. é a sobrevivência cumulativa. o eixo X é o tempo de . apoiada pela SPSS / SPSS e outros pacotes. os estados são as unidades de observação. no entanto. O perigo "cumulativa" coluna na saída SPSS SPSS / é semelhante. 36% dos estados não haviam ratificado.    As taxas de sobrevivência.

 SPSS / SPSS: Como discutido acima. o teste Tarone-Ware da igualdade .05. dando meios covariável (por exemplo. o "Quadro de sobrevivência" na saída de SPSS SPSS / contém a linha de base e previu taxas de risco. Se o valor da significância (p) é = <0. o Nelson-Aalen função de risco cumulativa (gráfico st. Se o "por" parâmetro é adicionado. como quando o pesquisador acredita que as funções de risco são proporcionais entre os grupos.  Stata: No Stata. e os modelos da gama. a idade média em um estudo das mortes por doença. permitindo a comparação. Stata. em perigo). obtém-se um valor de qui-quadrado eo significado para esse valor. A produção destes modelos ainda contém um teste de verossimilhança do modelo como um todo. ou escore médio de produtividade em um estudo de promoções). o teste de Cox da igualdade. de (droga) vai dar uma parcela de função para a droga e droga = 0 = 1 se droga tem dois valores).5 anos.  sobrevivência. 1. Se alguém quiser sobrevivência ou de perigo funções como uma tabela em vez de um gráfico. As tarifas são apresentadas de uma pessoa hipotética escores que. Os pesos Tarone-Ware teste pela raiz quadrada do número de indivíduos restantes no grupo de risco no momento da falha e é semelhante hipóteses para o teste de Wilcoxon. Trata-se de parcelas com o tempo de análise sobre o eixo x ea estimativa de sobrevida (1-0) ou a estimativa do risco cumulativo (0-1) no eixo y. que também pode ter um "por" parâmetro. . Linhas da tabela são os intervalos de tempo (ex. Qualquer que seja o teste escolhido. Estes são a exponencial. o comando sts género de ensaio. as taxas de risco para as co-variáveis. realiza um teste de log-rank (o padrão) ou testes alternativos (o de Wilcoxon (Breslow) teste de diferenças nas funções de sobrevivência. log-normal. então haverá uma parcela de risco cumulativo para cada valor. O teste de Wilcoxon pesos. nd). o "por" parâmetro permite a comparação de sobrevivência ou de funções entre os diferentes níveis de perigo de uma covariável discretos. e mais .0 anos. 0. 1 = tabagismo pesado).5 anos. a função de risco estimada (gráfico r. os grupos diferem significativamente pela função de sobrevivência. com base em uma análise previamente calculado com o comando stcox. o gráfico irá exibir curvas duas ou mais funções. log-logístico. mas Wilcoxon mais. supondo que um comando stcox já executado. As curvas representam um indivíduo hipotético (ou qualquer outra unidade de análise). este pode ser realizado com a lista sts comando. mas este teste não é afetado por semelhança ou dissemelhança de censura padrões em grupos. mas os padrões de censura são semelhantes entre os grupos. Teste de igualdade das funções de sobrevivência. O teste Peto-Prentice-Peto é apropriado quando as funções de risco são assumidos como nãoproporcional entre os grupos. O padrão de teste de log-rank é apropriado quando a cada tempo de falha deve ser dado o mesmo peso. Ou seja. o teste Peto-Prentice-Peto de igualdade). paramétrica em modelos de sobrevivência Stata. por grupo. utilizando o comando teste sts. gráfico de r.) SPSS / SPSS gera uma média "de covariáveis tabela".. O eixo Y é risco cumulativo. Por exemplo. 1. em seguida. uma para cada valor da variável. e também um teste de parâmetro de forma paramétrica assumiu a função de risco de base (isto é relatado como o valor de p "/ ln_p "seguindo as taxas de risco. O número máximo de grupos é de 800. (ex. na média do covariável (s). Wilcoxon dá o teste de Wilcoxon para a igualdade das funções de sobrevivência por sexo. peso nas duas vezes anteriores falha mais fortemente. 0 = não-fumadores ou light. Gompertz. declive parcelas risco cumulativo até esquerda para a direita a partir da origem na esquerda. com valores médios na covariável (s) a qualquer momento como representado no eixo X. em número de indivíduos no grupo de risco no momento da falha e é adequado quando o pesquisador acredita que as funções de risco não variar proporcionalmente entre os grupos. o comando gráfico sts gera gráficos das funções-Meier de sobrevida Kaplan (gráfico r). Se uma variável categórica tem dois valores (por exemplo. o comando StrEG suporta modelos de sobrevivência que não seja o modelo de risco proporcional de Cox. A curva (s) mostrar como os aumentos de risco acumulado ao longo do tempo para tais indivíduos hipotéticos. Weibull. o teste de FlemingHarrington generalizada da igualdade). etc.

vemos que as funções de risco previstos foram de fato diferente para pequenas. um grande debate no Convenções Constitucionais causa de compromissos entre Estados grandes e pequenos. média ou grande. . mas desde que os dados são uma enumeração de todos os 13 estados originais e não uma amostra aleatória. como ilustrado abaixo. o tempo e é até dia ratificação). O botão Parcelas no diálogo SPSS SPSS / permite que o usuário especifique preditores categórica para criar gráficos padrão. o significado não tem o seu significado normal e relevância). Na ilustração acima. médias e grandes estados. onde os padrões são o perigo ou sobrevivência funções plotados separadamente para cada nível das variáveis categóricas. de modo que possam ser de interesse para comparar estados no que diz respeito à função de risco (onde o "perigo" é a ratificação do da Constituição. (Nota: O tamanho não foi um preditor significativo de duração uma vez que outras variáveis foram controladas. Com relação ao exemplo de ratificação da Constituição. referindo-se um estado é pequena. No exemplo acima. parcelas Padrão. a previsão é categórico tamanho.

Altos valores de bandeira pode DfBeta erros de codificação ou erros de amostragem. o que mais removendo caso do conjunto de dados irá alterar o coeficiente b para que covariável. dos Direitos foi o único preditor significativo. portanto. log-log-minus. survival. pela plotagem DfBeta para uma variável contra a variável de ID de caso. Quanto maior o DfBeta para um determinado caso. para removê-lo seria deixar um dataset com menos dias de duração em média. que não é um outlier pelo critério DfBeta). e Direitos. para uma dada covariável. e parcial lotes residuais.  Parcelas. Nas variáveis "na equação" tabela acima . para cada variável. o botão de Lotes em regressão de Cox no SPSS / SPSS apoia risco cumulativo. ou podem chamar a atenção para clusters de casos que exigem um modelo diferente. A opção Salvar da caixa de diálogo de regressão de Cox no SPSS / SPSS. Outlier análise com DfBeta. Use of these plots is discussed above in the "Baseline hazard. mais o caso é "influente" para que covariável. Influentes casos pode ser manchado. No Modelo 2. . Pelo contrário. a maior DfBeta positivo não corresponde necessariamente a unidade com a maior pontuação de tempo (que seria RI. Remover SC teria mais efeito em um sentido negativo. ilustrada acima permite o cálculo da estatística de DfBeta para cada caso. and cumulative hazard rates" section and below in the "Assumptions" section. The Plots button dialog for PASW/SPSS is shown below. visualmente. . NC teve entre os maiores durações. Ou seja. DfBeta reflete efeitos sobre a duração do evento para uma variável particular depois de outras variáveis no modelo são controladas. Remover NC teria mais efeito em uma direção positiva. Além da produção de estatísticas.227. quanto maior o dfBeta. DfBeta é uma medida de quanto um determinado processo irá afetar o coeficiente de regressão para uma dada covariável. A saída DfBeta salvo acima tem quatro DfBetas para representar os quatro termos do Modelo 2 do exemplo utilizado neste módulo. a sobrevida cumulativa. a fim de que entraram no modelo: VotePct. tamanho (2). caso o estado) e. Size (1). dos Direitos tinha um parâmetro coeficiente de -4. No entanto. A direção positiva corresponde a aumento de risco (de ratificação. DFB4_1 estimativas da mudança esse coeficiente se que caso seja removido. menos dias de duração para ratificação.

If a covariate fails this assumption. For ratios that decrease over time.Pressupostos o Assumption of proportional hazards . standard errors are incorrect and significance tests are decreased in power (BoxSteffensmeier & Zorn. 2001: 978-981). relative risk is overestimated (that is. Correspondingly. For instance. then for hazard ratios that increase over time for that covariate. In SPSS one may create a plot of scaled Schoenfeld residuals on the y axis against time on the x axis. Gray (1996. with one such plot per covariate. This is a critical assumption of Cox regression and must be checked for each covariate. This can be a false assumption. Cox regression with time-invariant covariates assumes that the ratio of hazards for any two observations is the same across time periods. when mortality spikes. It is common for a covariate to fail the assumption of proportional hazards. 2001: 972). There are alternative ways to check:  Partial residual plots (Schoenfeld residuals PH test) . Partial residual . quoted in Box-Steffensmeier & Zorn. A lowess smoothing line summarizing the residuals should be close to the horizontal 0 reference line for the y axis. coefficient estimates are deflated and biased toward zero). ["Converging" means that the hazard rates for two groups formed by a covariate factor are tending toward the same rate over time]. as when 10 years from now person B is in their 70's. Graphical methods may be used to examine covariates. relative risk is often underestimated (that is. 2001: 974) has reported as much as a 90% reduction in the power of significance tests (power = chance of false negatives. for converging hazards. considering age as the covariate. and the implication for estimation should be reported. in a timeinvariant Cox model the ratio of hazards for persons a and b should be the same this year as in the period 10 years from now. since the average value of residuals at an tiime should be zero if the effects of the covariate being plotted are proportional (see Box-Steffensmeier & Zorn. coefficient estimates are inflated). for diverging hazards. rejecting the existence of true covariate effects) when rates cross rather than are proportionate.

The Y axis is the partial residual for a given covariate. as in the figure below. distribution of residuals over time is random. accepts the null hypothesis and means the proportional hazards assumption is not violated..   Martingale residual plots . the covariate violates the proportional hazards assumption. The Save option saves the linear predictor values under the default variable name of X'Beta where XBeta is linear combination of mean corrected covariates times regression coefficients from the final model. This can be checked further in the Chart Editor by adding a loess smoothing line or linear regression line to show non-random trends. PASW/SPSS does not save martingale residuals directly but they may be computed as mresid = event-haz_1. where event is the event variable and haz_1 is the variable saved under the Save option for the cumulative hazard function. Survival probability plots . If random. select "Survival". not in the Covariates box.  PASW/SPSS: The covariate in question is entered as a "Strata" variable.  Stata: In Stata. There will be one curve for observed and one for predicted values. A statistical version is available in Stata by issuing the "estat phtest" postestimation command. The null hypothesis is that there is a 0 slope of the log hazard ratio regressed on time. In PASW/SPSS select "Partial residual plots" under the Plots button after first having saved partial residuals by checking "Partial residuals" in the "Save New Variables" dialog box under the Save button in the Cox regression dialog. stcoxkm. for comparision purposes). A finding of nonsignificance. provided the prior stcox command requested Schoenfeld residuals with the schoenfeld() option as illustrated in the figure below. If the lines cross. In a well-fitting model. by(gender) ) to get multiple pairs of predicted/observed curves. This is an indication that it is a time-dependent variable. One can add a "by" parameter (ex. fit lines should not diverge much from the Y-axis 0 reference line. one pair for each value of a discrete covariate. If the two lines are close together. the stcoxkm command may be run after defining data with stset but before running stcox (stcoxkm runs Cox itself. In Stata. The X axis is survival time. A plot of cumulative survival on the y axis and analysis time on the x axis may be generated for two or more groups of a covariate. the proportional hazards assumption is not violated. there should be no pattern of correlation if the proportional hazards assumption is met. If Martingale residuals on Y are plotted against the linear predictor (the right-hand side of the model equation) on X. This tests if the proportional hazards .methods are the most common and preferred methods for testing for non-proportionality in Cox models. Inder the Plots button.

That is. A rho coefficient may be computed for each covariate. The LML method is not recommended for multiple covariates or when a covariate is continuous (see BoxSteffensmeier & Zorn. use the log minus log test of proportionality . For a given categorical covariate. the true zero time in other analyses may be less clear. In medicine. years 1900-1980 in a study of 1900-2000. 2001: 975-976). one may compute the baseline hazard function for each category of that covariate. or LML lines indicate clear violation of the assumption of proportional hazards. click Plots.. If the zero point is arbitrary or ambiguous. In PASW/SPSS.  Log minus log plots (log-log plots or LML plots). If there is ambiguity about the true starting time. but then regression coefficients are not computed so this is only an option when the covariate is not of research interest. The X axis is survival time. the hazard function lines or LML for each category should be parallel. True starting time . check the "Hazard" checkbox. have specified the categorical covariate as the Strata variable.  Piecewise regression method . (Except if there are no data on predictor variables for. before which death from a disease is impossible.  Time interaction test . If the time interaction effect is significant for a covariate.o assumption is valid for all groups. hazard function. If the survival plots for the groups of a single categorical covariate are oughly parallel (and certainly should not cross). where what is adopted is an innovation or piece of legislation. If a covariate fails the test of proportional hazards. say.  Categorical covariates .  Relation to Cox regression with time-dependent covariates . When entered as a Strata variable rather than as a covariate. this is evidence that it is time-dependent and one needs to abandon ordinary Cox regression in favor of Cox regression with time-dependent covariates.  Harrell's rho . A significant rho means that covariate violates the proportional hazards assumption. The shape of the baseline hazard functions should be similar if the assumption of proportional hazards is not violated. The ideal model for survival analysis would be manufacturing of a motor or light bulb. This is the case in most time-to-adoption studies. before which failure is logically impossible). where there is a true zero time (the time of manufacture. at a minimum the researcher should conduct a sensitivity analysis to see how coefficients may change . The sthplot command is a similar test. The Y axis is log minus log. one may divide the sample into observations above and below the median survival times. then model each sample separately to see if the estimated hazard ratio for each covariate coefficient is the same. In this test. perhaps markedly. the lines for the "by" variable should be parallel and not cross. thus supporting the proportional hazards assumption. then the interaction term between that covariate and time (ex. age*time or more commonly. and should have a regression coefficient not significantly different from zero. and enter the categorical covariate in the "Separate lines for" textbox. one may include a time-covariate interaction term in the model. the covariate may be entered as a Strata variable. Intersecting survival. As a third alternative. In the PASW/SPSS option for "Cox Regression with a Time-Dependent Covariate" one may add time-covariate interactions to the model and if the interaction is not significant. then the proportional hazards assumption is violated and the covariate should be modeled as time-dependent. However. Alternatively. Though considered an imprecise "rule of thumb" method. The cumulative survival estimate after the ln(-ln) transformation is applied to the estimates. proportional hazard functions are not enforced for each level of the categorical variable. requested under the Plots button in PASW/SPSS. then the baseline survival functions are parallel and the researcher rejects the need to conduct stratified Cox regression. Alternatively. If the assumption of proportional hazards is not violated for a given numerical (continuous or categorical) covariate. then the covariate in question is not time-dependent and would not violate the proportional hazards assumption in Cox regression. the true zero point is often birth. if there is no violation. also supporting a "by" parameter: if the proportional hazards assumption is valid. this means that the data series will be different depending on starting point and hence the computed hazard rate coeffiicients will differ. age*log(time)) can be added to the model as in regression. the coefficients will be the same as for a study of 1981-2000).

not a series of different types of events. Since coefficient size is a function of other covariates in the model. Unobserved heterogeneity may be addressed by including random effects in the EHA model. Since in diffusion studies and many other social science areas independence is not a sound assumption to make.  Model-trimming strategies apply to Cox and other EHA models. See above for a discussion of statistical output used in analysis of possible outliers. meaning bias introduced by omitting important explanatory variables. which relaxes assumptions about the distribution of error . or if irrelevant but correlated variables are removed from the model. "this [Cox] method should not be used with small samples. Because Cox methods rely on order of events. that subject may be clearly assigned (usually to status=0 or status=1. 2005: 10). "Ordinary" Cox modeling deals with situations where the unit of analysis has a risk of a particular event. handling ties poses a computational problem. As in nearly all forms of analysis. Clearly defined events . multiple states should be modeled explicitly. Rather. As in other forms of regression. Absence of outliers . outlier cases can bias estimates. the researcher should use more complex multiple event models for such data. Precision of parameter estimates using the partial likelihood methods employed in Cox models can be much less than for maximum likelihood methods employed in parametric event history models. when the hazard ratio for some covariates is found to be non-significant. The status variable must be unambiguously defined. the Cox (and parametric EHA models) regression coefficients may change substantially and even reverse direction if previously omitted relevant variables are added to the model. Unobserved heterogeneity (the effects of variance in important but unobserved variables) is associated with downward bias in duration dependence (Vermunt and Moors. When data independence is an issue. which in turn leads to biased estimates of standard error and significance. If the actual data have events representing multiple states. so that any subject for any time period. so as to avoid the bias that arises when large numbers of cases are not "truly" at risk). EHA models assume the observation's event status at one point in time does not predict the observation's event status at a subsequent point in time. a time variable may be included as a covariate. as a rule of thumb. See BoxSteffensmeier & Jones (2004: Chapter 9) for an extended discussion of unobserved heterogeneity and ways to deal with it. this is discussed as the problem of unobserved heterogeneity . using a time-constant latent covariate. 1986: 14). depending on whether the event of interest had occurred). It is possible that substantive interpretation of the final covariates may differ from inferences that might have been made for the model including non-significant covariates. including frailty models (including a random parameter in the hazard rate to represent unmeasured risk factors) and split-population models (dividing observations into a sample that will never experience the event and a sample at true risk of experiencing the event. according to Box-Steffensmeier & Jones (1997: 1434). For example. Therefore. Lack of independence leads to error terms being correlated.  Unobserved heterogeneity also biases estimates of covariate effects. For instance. including inappropriate covariates. This is the problem of autocorrelation in time series analysis. the researcher should drop the most non-significant covariate from the model.  Robust estimators . the model for "diplomatic resolution" may be very different from the model for "military resolution." and subsuming both under "conflict resolution" will yield estimates unsatisfactory for explaining either state when using usual single-event Cox models. the Breslow method is most often used). Few ties ." Proper model specification . and/or a surrogate variable added such as number of neighbors adopting the innovation in a diffusion study. there should be 5% or fewer tied observations in the dataset to still assume insignificant bias (Prentice & Farewell. Although there are methods for handling ties (ex. No small samples . Independent observations .. In an event history analysis (EHA) context. time dependence must be modeled. Sensitivity analysis may or may not lead the researcher to conclude that Cox modeling is inappropriate. re-run the analysis. the problem can be mitigated by the use of robust variance estimation . See Heckman and Singer (1982) on random effects procedures.o o o o o o according to different starting points for data on the predictor variables. and proceed stepwise until there are no more non-significant covariates in the final model.

The researcher is forced to choose the path of lesser evil. In Cox and other EHA models. If log linearity is not present. Interpretation of hazard ratios in models with time-varying covariates assumes those covariates are exogenous (covariate values may affect duration to event. exponential models. which refers to algorithms by Lin & Wei (1989) and Huber (1967) to adjust standard errors for time dependency. use the square). Robust estimation is usually the default in Cox and EHA software. there is no accepted method of dealing with endogenous covariates. As such Cox regression is more robust than parametric models if the other assumptions of Cox regression are met. Log linearity . Cox regression does not assume any particular baseline distribution of survival times. but if war duration also causes casualties (as it would). however. This is because the "dependent variable" in Cox regression is not the event or time to event. Se o tempo é medido por uma variável de contador em unidades de tempo. Since this assumption may well not be met. This problem is not unique to Cox modeling. It results in the same parameter estimates as standard variance (algorithms assuming independence) but higher standard errors. Factor invariance . clustered standard errors may be computed. there is log linearity for that covariate. Put another way. à condição de co-variáveis no modelo. one may have to transform the covariate (ex. If the loess smoothing line through the scatterplot is close to linear. the use of single-event models in serial fashion assumes that experiencing an event in the past has no influence on experiencing the event in the future. but duration does not cause the values of the covariate). and after the event occurs the unit drops out of the risk pool. That is. Box-Steffensmeier & Jones (2004: 112) give the example of casualties as a time-dependent covariate in a model of war duration: the Cox model assesses if casualties affect war duration. the researcher need not de-trend the data but only use "robust variance estimation". Robust estimation is recommended for parameter estimation for time-dependent covariates unless the researcher can demonstrate lack of time dependency in the data (that is. Less commonly. which relaxes assumptions of independence even further. Hazard rate linearity . the researcher should use more complex multiple event models for such data. This is related to the autocorrelation problem in time series analysis . then computing martingale residuals and plotting them on the y axis against the omitted covariate on the x axis. Clustering accounts for serial time or spatial dependence by dividing the data into groups defined by a grouping variable. Instead. with equally problematic implications. Compute . Exogenous covariates . one should assume that it is quite possible that data will be temporally dependent (the value at time t+1 is partly a function of its value at time t). Baseline distribution of survival times . PASW/SPSS does not save martingale residuals. With time series data. o modelo de Cox assume que o risco aumenta linearmente com o tempo. hazard ratios will be biased. robust estimation should be used most of the time). unlike parametric survival analysis models such as Weibull models. then use Transform. Cox regression does not assume any particular distribution shape for the duration times of events. Covariates are assumed to be linearly related to the log of the hazard function. but it does save values for the cumulative hazard. It is assumed that the causal factor structure is the same at the end as at the beginning of the study period. Unfortunately. meaning the unit is still at risk even after the event occurs the first time. o o o o o o Not applying single-event models to multiple event data . This is tested by running the model without the given covariate..terms. and other models as found in Stata's streg procedure (see above). robust estimation increases the possibility that parameters will be found to be non-significant. If the actual data are multiple event in nature. yet leaving out a causally important endogenous covariate may be a form of model misspecification. but rather the hazard rate. then computes standard error across clusters. "Ordinary" Cox modeling deals with situations where the unit of analysis has a risk of an event. casualties is an endogenous covariate and Interpretation of hazard ratios will be biased for that covariate.

o o o Variable to compute martingale = event . or treating censored cases the same as those for whom the event (ex. Censored data are not handled by traditional methods.. Not having high multicollinearity is an assumption of Cox regression. Whereas the usual regression model uses ordinary least squares or maximum likelihood estimation of parameters. Example of PASW/SPSS Cox Regression Output o Cox Regression output from PASW/SPSS 14 Perguntas mais freqüentes o Why can't we just use OLS or logistic regression to analyze time until event data? There are four main reasons: 0. but all cases are used when estimating the baseline hazard. Random sampling of data is assumed. meaning that the data on how long they will live is not yet known). Event distribution . There should be no pattern to these cases. Any given dataset on. In Cox regression. Thus Cox regression uses all available information and is considered a full information method. event analysis frequently centers on the analysis of rare events which are not well distributed. which is why techniques such as Poisson regression are more appropriate. one strategy is to include in the model only one variable from the set of intercorrelated variables. The large numbers of zeros may inflate correlations and parameter estimates in traditional regression. When there is no patterning. death) occurred in the final time period. Censored cases must be independent of the survival distribution. which instead should be missing at random. whereas OLS and logistic regression are partial information methods when censored data are present. where event is the event variable and Haz_1 is the saved cumulative hazard variable. Censored data are the cases where the event never occurs (where the status variable remains equal to 0) for all time periods. with all data present for all observations. 2. thereby risking sample selection bias. the computation of the regression coefficients is based only on the uncensored cases. thereby affecting their status on the status variable. Censored observations occur in all time to event data unless the data are historical. . The "Correlation Matrix of Regression Coefficients" table in PASW/SPSS output checks this. which do not assume uncensored data. disease and death. say. Traditional regression requires events be well distributed over time. Traditional regression methods would require either dropping censored cases. subjects entering in different time cohorts should be similar on the average. For example. However.Haz_1. it could be all censored cases in a public policy study are cases which were ineligible for policy benefits. most time periods will have a value of zero. as in other forms of regression. Cox regression uses partial likelihood methods. will contain data on people who have the disease and died (the uncensored observations) and people who have the disease but who have not yet died (the censored observations. No censoring patterns . 1. With such data. No high multicollinearity . This is discussed further in the FAQ section below . Time varying independent variables can be handled in Cox regression but not in traditional regression. If there are multiple highly correlated covariates. thereby also biasing computed coefficients.

3. a 0-1 code for whether the risk event (the "censoring variable") ever occurred for that unit. OLS models of duration times can even generate impossible negative durations. however. which is very rarely. unlike Cox models. there must also be a duration (time periods to event) variable and each unit of analysis must have a separate row for each time the covariate changes in value.. . net effect . 1) event variable as the dependent became another popular approach. Cox models can generate the same information as EHA parametric models without having to make as strong data assumptions. the proportion of unemployed to employed varies greatly over time in a study of the effects of eduction on employment). While this approach supports time-varying predictors.. degree completion) may occur." Also. Because counts were the dependent. and one or more columns for the time-fixed covariate(s). Even when there is not complete self-canceling. but this did not support time-varying predictors either. if the process being studied is not stable over time. it does not support individual-level (id-level) effects. OLS does not allow assessment of time-varying predictors unless such variables are aggregated. For further discussion of why event history methods like Cox regression or survival analysis are preferred to using logit or probit regression in diffusion studies. leading to errors of inference. for instance. in the past there has been over-reliance on parametric EHA models such as logit and probit which. the counting process data setup is used for time dependent data. When would one use a parametric event history analysis model rather than a Cox model? Only when one has strong theoretical reasons for positing a particular distribution (shape) for the baseline hazard function. o Describe data setup for Cox regression  Event history data setup . unemployment. click here . 2. data setup must be compatible with the software used. Couldn't I use Poisson or logistic regression instead of event history models when analyzing time to event? 1. If there is a time-varying covariate. as noted by Buckley & Westerland (2004). employment) over a long period of time during which various relevant events (ex. it is possible that these cross-cutting effects would cancel out). event history data setup has a code for the unit of analysis (ex. Box-Steffensmeier & Jones (2004: 66) write. yielding an effect size of zero and the erroneous conclusion that the variable did not matter (ex. To study such processes. Full effect vs." effects could even cancel out. "there are few instances we can think of where one would naturally prefer a parametric duration model over a Cox-type event history model for most kinds of social science applications. but aggregation intoduces bias of its own. Time series regression using count of cases experiencing the event in a given time period became a second popular approach. one needs a time series method which traces the individual through various states (ex. Also.. Moreover. If there are no time-varying covariates. states). traditional regression on cross-sectional data lacks the ability to establish causal direction of the net effects.o o 3. When the variable in question "cuts both ways. education in the short term decreases the likelihood of being employed but in the long term increases the likelihood of being employed. Of course. misspecification of which can lead to computed standard errors which are too large or too small. However. Cross-sectional OLS using duration times as the dependent variable was the original approach. even the net effects found in cross-sectional regression will be misleading (if. Data setup in Stata is discussed below . Poisson regression was often used in place of OLS regression. 12 for 12 time units since onset of risk). a duration (time elapsed) count variable (ex... require the researcher to specify duration dependence (the shape of the hazard rate over time). More often. Logistic regression using a binary (0. for a population ages 18-22. OLS and logistic regression on cross-sectional data yields effect sizes which show net effect.

1981. Single record data . Cox regression and related survival analysis is performed on st data. 3. Age. coded 0 or 1. and there are covariates also. the time variable must be declared. For instance.  Declaring st data in Stata is the first step in Cox regression in Stata (unless you have ct data. For example. If there is no t0 variable. and bearings (another covariate).. At a bare minimum. with 1 being the occurrence of the event. where d=1 if the observation failed (the event occurred) during that particular span but if not. it is assumed all observations pertain to a single subject ("single-record st data"). For instance. and bearings. t). The t0 variable is assumed to be 0. There would also be a column for the risk event (the "censoring indicator"). for each observation. Declare data to be survival-time data. measurement was stopped at time t and the case is censored. load (a covariate). The stset command declares the researcher's data format. Command: stset failtime." There may also be an event (aka status or failure) variable. failure(failed). died is the event variable (0 or 1. war=1. For a similar dataset but with an event variable called 'failed' as well as failtime. t0 is assumed to equal 0. with 1 = died). years from 1980. d. load. accomplished with the stset command. Under unusual circumstances. Enter the time variable and the failure variable. the first year of peace). Command: stset failure. Each unit of analysis (ex. it is assumed that all observations fail (the event occurs) at time t. In Stata. For a dataset on electric generator lifetimes.o Counting process data setup . a country already at war would not be at risk of war. There are various variants depending on whether the st data also have an id variable. id(patid) failure(died). with the start representing the start of risk and coded 0 (thus start/stop 3. the t0 variable might be labeled "Begin" and the t variable labeled "End. states) has an id code and is represented by as many rows of data as there are time periods (ex. And there would be additional columns for the timevarying and time-fixed covariates. Multiple-record data . where the span is (t0. a t0 variable. at the point of observation and no failure occurred (ex. discussed below).. failtime is the time. etc. There may also be covariate variables (ex. the event variable d might be labeled "Died" or "Adopted. For dataset with patid = patient id. In the menu system. If the id variable is omitted. Time dependent data and multiple event data (where the risk event may occur more than once for the same unit of analysis) are usually entered in "counting process" format. 1. some units of analysis might not have rows for some time periods (ex. select Statistics.  Discontinuous risk intervals . or an event variable. For a dataset on patients where patid is the patient id. t is the analysis time at the point of measurement." If there is no event variable. There is also a column for the time periods (ex. meaning the period from just after analysis time t0 up to and including time t.4 would be the start of the 4th year of risk and the stop would be the end of the 4th year). t.). so that country would have a row for the year war started but would have no further rows until it was again at risk of another war (that is. with three variables: failtime (the t or analysis time variable).. day = the time variable (t). Examples are from the Stata manual: 0. 2. The start of "0" would not necessarily be the same actual year for every unit if for some reason the start of risk varied by unit. Single-record data with censoring . There are also columns for the start or stop interval number. If the event variable is zero (failed = 0) for an observation. There are variables t and t0. Command: stset t.. Covariates will be utilized if in the dataset and do not have to be declared. Setup & Utilities. years). some years) if risk did not exist for those periods. Survival Analysis. Command: stset day.. code =  .. Cox data setup in Stata:  Survival time data (st data) is a data format in which each observation is a time span for a given observation (subject). id(patid) fail(code==402). Income). Failure is assumed to occur at time = failtime. Multiple-record data with multiple events . is 0. in a study of peace=0. meaning we know the generator will fail at some point after t but we do not know when). There is an id variable which indicates the subject associated with the given observation.

the original time variable may be in days. but with adday containing the day of admission (entered in time units) and curday containing the time variable (number of days since the ward opened in this case). and if(). The Stata command stfill is used to fill in missing values. but with different options (ex. Note: in Stata. id(patid) fail(code--402) origina(time adday) enter(code=152). Stata supports the streset command to temporarily re-declare a previously declared st dataset." and "overlapping records. and the number of new cases added during the given time. Not discussed here. as to add a time-varying covariate which will be the same for existing variables but have different values of the covariate for each of the new records. Command: stset curday. For instance. For a similar dataset. Scaling time data . Temporary re-declaration of st data . dates may be displayed in date format but are. Let hospital code 286 mean "patient undergoes operation." "multiple records at the same instant.25) to the stset command line will rescale the timevar variable as desired. The origin for a given patient is (curday . a different definition of time origin). this command analyzes time from operation until death (code==402). Since there are 365. which accepts the time units as originally entered.adday). with error messages for "event time missing. 9. 5." "entry time missing. curday could be a date variable without any change to the command syntax. In Stata. ever(). 11. the original time variable has 0 as the start of measurement. The command stgen will create new covariates as functions of time variables and covariates (ex. in fact. Let hospital code 152 indicate a patient is given a test. Multiple record data recording time rather than t (analysis time) . Other data setup commands . Count time data (ct data) is an alternative data format in which each observation is a time. ct data is first converted to st data using the ctset (declare data to be count-time data) and cttost (convert ct data to st data) commands. admission to hospital was considered onset of risk. adding the function scale(365. the number of right-censored cases (see below). Not discussed here. but also there is a need to convert time units using the scale() function. and there are covariates. Multiple record dataset with delayed entry of observations . the origin() function converts the time variable into an analysis time variable. as by carrying forward covariate values from the first observation. where 402 = death. Stata does a certain amount of data format error-checking. Analysis is done on curday adjusted for adday. there are variables for the number known to fail during that time.. (Note the actual command must have two equal signs). having an operation is considered the onset of risk in this command syntax. Error messages . 8. create the variable evervoted if for any time period the variable voted=1). never(). Stata also provides a number of additional functions such as enter() and exit() for specifying when an observation is in the sample. In the one above.. That is. The enter() function adds a patient to the analysis only once a record indicates the patient has had the test (code==152). integers. That is. id(patid) fail(code==402) origin(code==286). and after() for conditional inclusion. patid is the id variable. Other functions . Command: stset curday. Sometimes the original time variable must be adjusted not only for a different origin (ex.. 7. but the researcher wants years. The stbase command resets all variables in a multiple-record dataset to the base values in the earliest record for the subject.25 days in a year." among others. The default is scale(1). 10. so in this example. The command stsplit will create multiple records out of one record. For each time." Then for the same dataset as above. observations for this patient after the one with code=152 will be in the sample. Command: stset curday. That is. hospital patient status codes. So this command is saying day is the time variable. Multiple record data with time from event . . not the onset of risk) using the origin() function. and code=402 is equivalent to the event variable = 1. 6. id(patid) fail(code==402) origin(time adday). 4.

the baseline hazard function is selected based on theory. & Rohwer.192). Any variables not in varlist will have the values carried forward from the t0 record/observation. Bibliografia o o Boehmke. Hans-Peter. Götz (2007). Event history analysis with Stata . Morey. The authors further found that nonrandom selection of samples could lead to "inaccurate predicted hazard and survival functions" and "erroneous conclusions about what factors influence (or do not influence) the duration process of interest" (p. 1973. The varlist variables in the converted st dataset will have the values from the corresponding observations of the snapshot dataset. Katrin.. & Shannon (2006) conducted Monte Carlo simulations on this question. there is just a time-of-observation variable. 1980. o Since the Cox model does not posit any particular baseline hazard ratio. Stata software does support multilevel Cox regression. & Shannon. the hazard function can be derived. o Can I use Cox regression with non-random samples? Boehmke. whereas in parametric event history analysis models. variable entries. Stata will take the earliest timevar and make that t0 and use time units since t0 to create the analysis time. Morey. Mahwah. American Journal of Political Science 50(1): 192–207. or the original articles by Kalbfleisch & Prentice. the risk at any given failure time. 2004: 64-65. and the assumption of a constant hazard rate between failure times. including the appearance of (nonexistent) duration dependence" (p. although the strata option does generate different baseline hazard functions for subgroups of a categorical variable. From the survival function. Blossfeld. t. Megan (2006). Rather than have separate t0 (begin) and t (end) variables. Selection bias and continuoustime duration models: Consequences and a proposed solution. or possibly based on comparisons of model fit among several alternative parametric models. Daniel S. 205). Snapshot data is a common real-world data format that must be converted to st data format. coming to the conclusion that "sample selection issues can lead to biased parameter estimates.. NJ: Lawrence Erlbaum Associates. Note that the estimate of the baseline hazard function in Cox models is data-driven. In Stata one converts snapshot data to st data using the snapspan command (syntax: snapspan idvar timevar varlist). See the summary by Box-Steffensmeier & Jones. . o Why is no intercept coefficient reported for Cox models? In Cox models. the intercept is incorporated in the baseline hazard function. each positing a shape of the baseline hazard function. Frederick J. how can the baseline hazard function be retrieved? The survivor function can be estimated from the order of failure times. Golsch. o Does SPSS support multilevel Cox regression? No.

Beyond logit and probit: Cox duration models of single. Unrau. Berkeley: University of California Press. RL (1980). BT (1986). Bradford S. functional form. Suzanna. Hausman. and correct standard errors: Improving EHA models of state policy diffusion. Stata survival analysis and epidemiological tables reference manual release 9 . Kalbfleisch.com.. Regina P. DY & LJ Wei (1989). Hazard ratio in clinical trials. The impact of deviations from the proportional hazards assumption on power in the analysis of survival data. Administration in Social Work 30(1): 45-65. & Jones. Duration models and proportional hazards in political science. Buckley. Published online in July.. . An introduction to survival analysis using Stata. Hans-Peter. repeating. Janet M. Specification tests in econometrics. M. Econometrica 46: 1251-1271. . (1999). RL & Farewell. & Joyce. Box-Steffensmeier. Ragusa. Annual Review of Public Health 7: 335-338. Kyle A. American Journal of Political Science . JE. TX: Stata Press. Gray. Klein. Bradford S. (2004). Marginal likelihoods based on X\Cox's regression and life model. Lin. Kalbfleisch. Box-Steffensmeier. 1951-2006. Relative risk and odds ratio regression. Suzanna (2006). Jordan Michael (2010). SI. Duration dependence. College Station. Provides R examples. Survival analysis: Techniques for censored and truncated data . M. Reid. Journal of the American Statistical Association 84: 1074-1078. Janet M. 2787-2792. Box-Steffensmeier. American Journal of Political Science 45(4): 972-988.sagepub. PJ (1967) The behavior of maximum likelihood estimates under non-standard conditions. Second ed. Jack. NY: Cambridge University Press. & Chad Westerland. Jerry A. Box-Steffensmeier.o o o o o o o o o o o o o o o o o o o o o o o Blossfeld. NY: John Wiley. Evaluating program outcomes as event histories. & Jones. (2006). S. Department of Biostatistics. 41(4): 1414-1461. and downloaded from apr. Emory University. Janet M. Techniques of event history modeling . The robust inference for the Cox proportional hazards model. Introducing survival and event history analysis . (2004). JP & Moeschberger. Roberto. Repeated events survival models: The conditional frailty model. RL (1973). Antimicrobial Agents and Chemotherapy 48(8). London: Sage. JD & Prentice. H. ML (1997). College Station. Rohwer. TX: StataCorp LP. Janet M. Jones. & Marchenko. Applied survival analysis . & Samore. William. Götz (1995). & Zorn. Huber. Hosmer. Christopher JW (2001). The lifecycle of public policy: An event history analysis of repeals to landmark legislaive enactments. Lists all Stata commands and options pertaining to Cox regression and survival analysis. State Politics and Policy Quarterly 4( 1): 94–113. JD & Prentice. Cleves. (1978). Box-Steffensmeier.. (1997). The statistical analysis of failure rate data . NY: John Wiley & Sons. Stata is a preferred software package for Cox regression and survival analysis. & DeBoef. Time is of the essence: Event history models in political science. Janet M. Unpublished MPH Thesis. and this is perhaps the mostrecommended Stata text for it. StataCorp (2005). Biometrika 60. and competing events for state policy adoption. DW & Lemeshow. YA & Coleman. Provides an example of using event history analysis using Stata. NY: Springer. Political Analysis 15(3): 237-256. Yulia (2008). with examples. Event dependence and heterogeneity in duration models: The conditional frailty model. Rollins School of Public Health. DeBoef. NJ: Lawrence Erlbaum. In Proceedings of the Fifth Berkely Symposium on Mathematical Statistics and Probability . Spruance. Event history modeling: A guide for social scientists . 2010. Prentice. & Branton. Statistics in Medecine 25: 3518-3533. 267-278. American Politics Research XX(X): 1-37. Gould. Mahwah. (2005). Grace.Mario Alberto. (2007). Bradford S. (2004). State Politics and Policy Quarterly 5(4): 420-443. Melinda (2010). Todd Edward (1996). Gutierrez. Mills.

por exemplo. A função de sobrevivência é definida por (1) . As principais áreas de aplicação. Deixar ser a variável aleatória não negativo que representa o tempo de falha de um indivíduo arbitrário. 2009.@c 2006. Iremos introduzir a função de sobrevivência ea função de risco que caracterizam a distribuição de também. 2010 G. Supomos que a distribuição de probabilidade de é descrito por uma função de densidade . 2008. no entanto. em um estudo demográfico. de regressão de Cox K. Poortema. ser o desempenho de uma determinada tarefa em uma experiência de aprendizagem em psicologia ou mudança de residência. Tais eventos são referidos genericamente como falhas que o evento pode. 24-10-2006 ÍNDICE 1 2 3 4 5 6 7 Função de sobrevivência e função de risco Distribuições de taxa de falha Kaplan Meier Os modelos de regressão modelo de riscos proporcionais Modelagem e ensaios no modelo de riscos proporcionais Atribuição Seção 1: Função de sobrevivência e função de risco Esta parte do curso de Medicina de Estatística e Epidemiologia negócios com a modelagem e análise de dados que tem como principal ponto final do tempo até que um evento ocorre. David Garson last updated 9/7/2010. são estudos médicos sobre doenças crônicas e ensaios de vida industrial. Estatística Médica e Epidemiologia (153133) Análise de Sobrevivência (semana 02) Hazard / taxas de insucesso. Nós supomos que as observações estão disponíveis no tempo de falha independente indivíduos.

Uma verificação empírica da distribuição exponencial para um conjunto de dados de sobrevivência é fornecido por traçar o log da estimativa da função de sobrevivência versus . . para a distribuição exponencial da taxa de falha instantânea é independente da de modo que a chance condicional de falha não depende de quanto tempo o indivíduo foi a julgamento. Essa parcela deverá aproximar de uma reta passando pela origem como se pode concluir a partir de (7). se . Daí e siga com bastante facilidade. (Nota para cada número no caso de uma função de densidade).e é igual a . Note que a derivada da função de sobrevivência é igual a . Para a distribuição Weibull obtemos (9) (10) Uma verificação empírica para a distribuição Weibull é fornecido por uma parcela da estimativa de contra . Assim. O parâmetro de uma distribuição exponencial é obtida para tendo a função de ser um perigo constante: (Com . A função de risco especifica a taxa instantânea de falha em sobrevivência em condicional ao tempo e é definida pelo limite de da seguinte proporção: (2) Tomado esse limite obtemos (3) . Isso é conhecido como a propriedade sem memória da distribuição exponencial. apresentamos uma série de modelos de distribuição de . A trama deve dar cerca de uma linha reta. mas também porque a função de sobrevivência é determinado pela função de risco: (4) (Nota: ) Seção 2: Distribuição de taxa de falha Nesta seção. Desde a função de distribuição cumulativa especifica a distribuição de . Onde é a distribuição cumulativa de . Esta função risco é monótona decrescente para É monótona crescente para e reduz a uma constante. A distribuição dos é especificado por sua função de risco. Isso produz os dois parâmetros da distribuição Weibull com função de risco (8) . Uma importante generalização da distribuição exponencial permite uma dependência de potências da função risco no tempo. A distribuição de é especificado como também pela função de sobrevivência .

isso significa que a falha exata tempos de um certo número de indivíduos não são conhecidos. Neste texto. Skew distribuições podem ser modelados por meio de uma distribuição lognormal ou uma distribuição gama tão bem. a distribuição de uma falha ou tempo de sobrevivência é a inclinação. a nota . Originalmente.Em geral. a sua função densidade é . descrito por expectativa e uma variância . Se tem uma distribuição lognormal. Control ( Tratamento ( ) 3+ 6 6 6 6 8 8 12 12 12 + 15 + 16 + 18 + 18 + 20 22 + 24 28 + 28 + 28 + 30 30 + 33 + 42 ácido linoléico. onde é a conhecida gama de funções muito bem: ( ). vamos supor que o processo de censura é independente do processo que pretende estudar. há direito a censura. Estudamos a sobrevivência de 49 pacientes com câncer colorretal Dukes'C. consideramos apenas a censura à direita. Existem várias razões para censurar. mas a análise de sobrevivência é aplicável a muitas áreas. então isso significa que tem uma distribuição normal. os acidentes fatais no trânsito (concorrente de risco) Estudo termina quando um tempo fixo é atingido (direito de censura do tipo I) Estudo ens quando um número fixo de ocorrer uma falha (direito de censura do tipo II) Nestes exemplos. Para a densidade (11) se reduz a densidade da distribuição exponencial. Além disso. daí o nome. Uma característica comum de dados de sobrevivência é censura. A distribuição gama pode ser considerada como uma outra generalização da distribuição exponencial. o que significa que algumas vezes o fracasso não são conhecidas. 1+ 5+ 6 6 9+ 10 10 10 + 12 12 12 12 13 + 15 + 16 + 20 + 24 24 + 27 + 32 34 + 36 + 36 + 44 + . Seção 3: Estimador de Kaplan Meier A análise de sobrevivência está preocupado em estudar o tempo entre a entrada de um estudo e um evento posterior. Exemplos: a emigração. chamado censurar o tempo. Para estes uma falha desconhecida vezes só se sabe que o tempo de falha superior a um valor conhecido. Os tempos de sobrevivência (meses) de dois grupos de tratamento são os seguintes. são perdidos de seguimento. a análise estava preocupado com o tempo até à morte. bem como a mortalidade. para citar alguns: Alguns pacientes podem ter deixado o estudo inicial.

Assim. incluindo observações censuradas. Após a recepção do estimador de Kaplan Meier. depois de meses de sobrevida 3. Suponha que os tempos de sobrevivência. Secção 4: Os modelos de regressão Na seção 2 distribuições de sobrevivência foram introduzidas diversas para a modelagem da experiência de sobrevivência de uma população homogênea. pouco antes do tempo vivo (O dia k ordenou o tempo de sobrevivência) e denota o número de pessoas que morreram na hora . 10. Assim. Recebemos para . a probabilidade de sobreviver condional é estimado de forma direta pela .12 + Aqui + significa censura. também chamado de estimador produto limite. parcela seguinte é um gráfico da estimativa da função de sobrevivência do grupo de tratamento. no entanto. 12. este é o número . Para observações censuradas 1 + 5 + e esses fatores é igual a 1. Para o grupo de tratamento que deve estimar a função de sobrevivência . A estimativa da Fórmula (13) é o produto de fatores . de um grupo homogêneo de pacientes são representados por . obtemos (14) para (15) para (16) para (17) para para A estimativa Kaplan Meier é apenas um passo função. A primeira entrada (3 +) do grupo controle significa que o paciente deixou o estudo. Normalmente. Cada fator no estimador de Kaplan Meier representa uma menos uma taxa de risco calculado. Tempo de sobrevivência considerarmos o número de pessoas ainda vivas. Vamos determinar as estimativas para o grupo de tratamento. 3 (meses) é o tempo de censura do paciente. Então. algumas vezes chamado o número de risco. Para um dado valor encontrar o maior valor de tal forma que . Nós assumimos que os tempos de sobrevivência (pacientes) já estão ordenados de tal forma que . o tempo de sobrevivência correspondente é conhecido por ser superior a 3 meses. A parcela correspondente do grupo de controle é a seguinte. existem variáveis explicativas sobre a qual pode depender tempo de falha. função esta etapa somente as mudanças no tempo de sobrevida com um resultado positivo . Para a estimativa do usamos o estimador de Kaplan Meier. 24 e 32. . A probabilidade é então estimado pela (13) onde é o número de indivíduos. Para o grupo de tratamento com esses tempos são 6. torna-se interessante considerar generalizações destes modelos a ter em conta as informações de variáveis explicativas.

Para a distribuição Weibull análogo de (21) é: . como uma questão de fato. taxas de risco a ser positiva. A) a nova taxa de risco (é considerado como sendo uma constante ( ) Algumas vezes a função da função linear . A perturbação não tem uma distribuição normal. Vamos explicar o que a hipótese (21) sobre a função de risco significa que se nós estudamos o tempo de falha log . muitas vezes leva . Em modelos de regressão é uma prática comum que a variável dependente depende das variáveis explicativas apenas por uma função linear . Por esta razão. Note que o termo é o intercepto (constante) do modelo de regressão. Observe que o explicativas podem incluir tanto variáveis quantitativas e variáveis qualitativas como grupo de tratamento. que é igual a (7). De (24) pode-se concluir que os efeitos das covariáveis (variáveis explicativas) atuam aditivamente na . é natural de escolher a função de tal forma que é positiva. Conseqüências da (21) são: Por tempo de falha log que quase se um modelo de regressão tradicional. Na análise de sobrevivência tempo de falha acelerado modelos são obtidos através de modelagem do tempo de falha log em vez do tempo de falha em si. Em um modelo de regressão para análise de sobrevivência pode-se tentar modelar a dependência dos motivos tomando a) perigo de nova taxa (a ser . uma função de risco dada por (8). a função de sobrevivência de uma distribuição exponencial com parâmetro . A distribuição exponencial pode ser generalizado para obter um modelo de regressão. a taxa de risco de base passa a ter .Considere vezes falha de indivíduos. onde são parâmetros desconhecidos. de fato e são idênticos no que diz respeito à sua distribuição. Para cada indivíduo temos valores de variáveis explicativas. Observe que a função de sobrevivência é igual a . Lembre começamos com (21): o ato multiplicatively covariáveis sobre a taxa de risco. A taxa de risco em um modelo de regressão é então modelado por . portanto. permitindo que a taxa de falha a função de . Vamos usar o seguinte fato da teoria da probabilidade: se tem a distribuição exponencial com parâmetro então podemos escrever onde é uma variável aleatória com uma distribuição exponencial com parâmetro . independentemente dos valores de . Para a distribuição exponencial. em vez podemos dizer que tem a distribuição exponencial com parâmetro . O principal problema tratado nesta seção é a de modelagem a relação entre o tempo de falha e as variáveis explicativas. Portanto. temos uma função de risco constante . esta pode ser incorporada através do uso de variáveis indicadoras. Vamos agora considerar a distribuição Weibull. este prazo pode ser estimado considerando que ambos os e não podem ser estimados.

conforme o esperado. depois de Sobrevivência e. Nós demos as colunas (variáveis) nomes: sobrevivência. Cox de regressão. Voltamos a estudar o tempo de falha log . A terceira coluna indica a que cada grupo pertence o tempo de sobrevida. Equação (21) é parte integrante do modelo de regressão com uma distribuição exponencial para o tempo de falha. aplicação de "Cox de regressão para um tem que escolher em SPSS Análise primeiro. Portanto. por exemplo para os parâmetros no modelo de riscos proporcionais de Cox. Desde os efeitos das covariáveis são ditas multiplicatively agir sobre a taxa de risco. o que equivale a expressão (9). cuja distribuição é descrita por uma função de risco dada por onde é uma base-line função de risco indeterminado arbitrária que especifica uma distribuição contínua para uma taxa de falha. assim que esta coluna contém apenas os números 0 e 1 também. Esta equação de regressão é uma generalização de (25). esta coluna contém apenas os números 0 e 1. A segunda coluna indica se os tempos de sobrevivência são censurados ( ) Ou não . Para testar a teoria demonstrando que aplicar o modelo de riscos proporcionais aos dados da seção 3. No SPSS temos que preencher os dados da matriz da seguinte maneira. De (26) e pode-se obter: com . censor de status (define evento único valor 1) e tratamento como covariável. Use 'método ainda: digite'. Para provar isso. Uma coluna contém os tempos de sobrevivência 49. utilizou-se o número 0 para o controle eo número 1 para o grupo de tratamento. No modelo de riscos proporcionais de Cox falha independente vezes são estudados. mas uma das características mais importantes do modelo de Cox é que nenhum modelo paramétrico é feita para a linha de função de risco-base . podemos afirmar o seguinte: se tem uma distribuição de Weibull com parâmetros e então podemos escrever onde tem a distribuição exponencial com parâmetro . O modelo de risco proporcional mais famoso é o modelo de riscos proporcionais de Cox. Secção 5: O modelo de riscos proporcionais Um modelo com uma taxa de risco especificados pelo (21) é chamado de modelo de riscos proporcionais. nós mostramos que a função de sobrevivência equals (9). Seção 6: Modelagem e ensaios no modelo de riscos proporcionais SPSS (como outros programas) fornece estimativas e erros-padrão. censor e tratamento. . Casos especiais são (Distribuição exponencial) e (Distribuição de Weibull). Para produzir a saída relevante tem que escolher o tempo de sobrevivência. finalmente. a função de sobrevivência da distribuição de Weibull: .. No caso da distribuição Weibull nosso modelo pode ser chamado de um modelo de riscos proporcionais também. Mais uma vez os efeitos das covariáveis ato aditiva no tempo de falha de log. Usando a teoria da probabilidade.

não) uso de álcool mãe ao nascimento do filho ( sim. De saída.557 Exp (B) 0. Nós aplicamos um modelo de riscos proporcionais com motivos (variável covariável) tratamento. Para a atribuição desta parte do curso de Medicina de Estatística e Epidemiologia um conjunto de dados tem de ser estudada. .sav arquivo do sistema SPSS. vemos e . 0. Isso pode ser feito através da introdução de variáveis de indicadores. assumimos que a função de risco para um indivíduo é dada por com o sendo os valores do tratamento variável. se . não) Para uma primeira preparação para a atribuição estudamos como a duração depende do Nascimento covariável. No caso dos dados de aleitamento materno nos introduzir variáveis indicadoras para o nascimento covariável definidos como segue: .345 df 1 Sig. Inspeção do conjunto de dados revela que o resultado do Nascimento covariável intervalos de 78 (representando 1978) para 86. Talvez a duração do aleitamento materno é diferente para os bebês de diferentes anos de nascimento. Para este tipo de covariável não é útil para assumir uma taxa de risco de forma (31) com o sendo agora os valores do Nascimento covariável. A distribuição da estatística de teste é aproximada pela distribuição normal padrão sob a hipótese nula. rejeitamos se ou . Esta estatística Wald tem distribuição qui-quadrado com um grau de liberdade sob a hipótese nula: nível de significância de 5% significa que a hipótese nula é rejeitada se a estatística de Wald . ou se existe realmente um efeito do tratamento. preto.Temos agora deve investigar se os grupos diferem muito em relação ao tempo de sobrevida. testamos a hipótese nula contra a hipótese alternativa .430 Wald 0. Tendo em nível de significância de 5%. não) a mãe fumou no nascimento da criança ( sim. Daí o resultado de é . Em vez de SPSS apresenta uma Wald Estatística é igual a . Isso torna um teste equivalente. 0 para censurados (ainda amamentando) raça da mãe ( branco. outros) mãe em situação de pobreza ( sim. não) idade da mãe ao nascimento do filho ano de nascimento da criança anos de escolaridade (nível superior) O pré-natal. As seguintes variáveis são registradas: Duração Censura corrida Pobreza Fumar Álcool Idade Nascimento Escola Pré-natal duração do aleitamento materno (semanas) 1 para amamentar concluída. Os dados estão contidos pelo breastfeeding. nenhum efeito do tratamento pode ser provada (a nível de significância de 5%). A amamentação dados aos dados relativos aos 925 primeiros filhos nascidos cujas mães escolheram para o aleitamento materno. Há que ter como estatística de teste com sendo a estimativa da e sendo o erro padrão correspondente. chamamos esse conjunto de dados os dados de amamentação.777 tratamento Como o fator de podem ser absorvidos pela função de risco de base . Usando SPSS uma parte da produção é a seguinte: B SE 0. A hipótese nula é rejeitada se ou . Equivalentemente. Diferenças de ano para ano pode ser modelada através da atribuição de efeitos para os níveis (resultados) do Nascimento covariável. Nenhuma estimativa para o é dado. após três meses rd ( sim. Fazendo isso. Para os dados da seção 3. O nascimento covariável é mais uma variável categórica. não temos de rejeitar a hipótese nula. Para investigar se há realmente uma diferença entre os dois grupos.

Vamos testar a hipótese nula contra a hipótese alternativa . pode testar se todos os efeitos do Nascimento covariável são zero.423 0. De acordo com a fórmula a relação entre os riscos de taxas de nascimento dos anos 78 e 86 é igual a . O nível de significância de 5%).901 5.666 -0. B nascimento nascimento (1) nascimento (2) nascimento (3) nascimento (4) nascimento (5) nascimento (6) nascimento (7) nascimento (8) -0.065 0. Contudo.715 -0.433 0. .019 2.489 0.406 2. Da mesma forma. Secção 7: Atribuição Antes de começar: consultar o texto do arquivo Sobre SPSS. pode ser diferente para os conjuntos de dados diferentes.707 -0.450 0.947 -0. para os respectivos resultados da covariável temos agora (possivelmente) diferentes (multiplicativo) e efeitos aqui no ano de nascimento 86 serve como valor de referência. se o resultado de nascimento é de 85 e em outros lugares.703 -0. Em vez de o último valor o primeiro valor pode ser escolhido como valor de referência (categoria ) em SPSS. .340 Exp (B) 0. Concluímos que a distribuição (de) Duração depende do Nascimento covariável. SPSS apresenta (o resultado) uma estatística de teste Wald sob a hipótese nula a sua distribuição é a distribuição qui quadrado com 8 graus de liberdade (df) e tem de se rejeitar a hipótese nula para valores grandes da estatística de teste. Em nossos testes problema que temos de rejeitar se Wald (Chi quadrado com df .419 0.424 0.. Os graus de liberdade depende do número de variáveis indicadoras. Use SPSS quando você faz as peças A en B desta tarefa.388 0.420 0. Acabamos de indicar como trabalhar com ele. Usando essas variáveis o indicador de taxa de risco e.493 0.419 0.800 2.. excepto um (verifique isso)..se o resultado de nascimento é de 78 e em outro lugar.. Usando SPSS o seguinte resultado é obtido.. nascimento (2). não é útil para testar para cada variável indicadora do Nascimento covariável.890 0. Nós não damos uma fórmula explícita para a estatística Wald com (aqui) de 8 graus de liberdade. ao nascer (8).402 SE 0.411 3.911 df 8 1 1 1 1 1 1 1 1 Sig. respectivamente.421 0. se o resultado de nascimento é de 79 e em outros lugares.495 0. Testando a hipótese nula contra a hipótese alternativa para cada indicador variável nenhuma hipótese nula deve ser rejeitada ao nível de significância de 5%.doc. .. torna-se onde são os valores das variáveis de cada indicador .411 estamos aqui rejeitar a hipótese nula.112 0.722 -0.094 0.853 2.669 Na primeira coluna da tabela de parâmetros são indicados.091 0. portanto.514 0.529 2. Desde o resultado das Wald é 18. Em vez disso. o nascimento (1).799 -0.486 0. a relação entre os riscos de taxas de nascimento dos anos 79 e 86 é igual a .421 Wald 18.089 0.089 0. o nosso modelo.018 0. 0. Assim.025 0.

nl ) ou anel (074) 4893379. Para as covariáveis idade e escola (e Nascimento) decidir se você tomar as covariáveis categóricas como covariável (em caso afirmativo. Apenas faça a sua saída do computador e suas próprias anotações com você para uma oral) de discussão (com o professor sobre as respostas das partes A e B. Em caso de covariáveis categóricas você não precisa se preocupar com as variáveis indicadoras descrito na seção 6: SPSS apresenta essas variáveis indicador automaticamente.utwente . a fim de selecionar as covariáveis. Investigar dentro desse modelo em que o covariáveis dependentes) Duração variável (depende realmente. Use testes estatísticos. categóricas no menu de Regressão de Cox).poortema @ ewi.. (1) é a distribuição da duração do aleitamento materno bem modelada por meio de uma distribuição de Weibull ou uma distribuição exponencial para os subgrupos escolhidos? (2) O modelo de riscos proporcionais de ajustar os dados? Parte B Agora vamos supor que o modelo de riscos proporcionais de Cox é válido para os dados de aleitamento materno. Seguir uma estratégia clara. Para fazer uma nomeação para o serviço: enviar um e-mail ( k. Ao invés de parcelas da função de sobrevivência você pode usar terrenos da função de risco ou em função da função de sobrevivência.Você não tem que escrever um relatório para este trabalho. vá para etc .. Parte Um Selecione um número de subgrupos e parcelas de estudo da estimativa de Kaplan Meier da função de sobrevivência. mas se abstenha de incluir co-variáveis (variáveis explicativas) que parecem ser supérfluos.. aspectos importantes: Tente explicar a duração variável dependente tão bom quanto possível. . a fim de responder às seguintes questões.

Sign up to vote on this title
UsefulNot useful