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.

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

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

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

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

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 /. intervalos de confiança a alta ea baixa na taxa de risco incluíram rolamentos 1. no entanto. na seção sobre a produção estatística. Isso é discutido mais abaixo . A taxa de risco de 0.0. isto significa que vai do velho para o novo estilo rolamentos reduziu o risco de o gerador não. vai de 0 velho estilo para um novo estilo). quando todas as covariáveis (s) = 0. ea taxa de risco de rolamentos é 0. controlando a carga. Assim. em um modelo de vida determinado tipo de gerador elétrico ou rolamentos de esferas e dada carga elétrica. Interpretando taxas de risco são discutidas abaixo . Hazard ratios acima de 1..06. Exemplo. maior o perigo. menor o risco. se "rolamentos" = 0 para o estilo antigo e rolamentos = 1 para o novo estilo.0 indicam que o mais covariável. não poderíamos ter certeza de um nível de confiança de 95% rolamentos que . A taxa de risco indica a probabilidade de um evento que ocorre mais rápido ou mais lento dado alguma covariável (s).06 é a variação proporcional em perigo quando os rolamentos da variável aumenta em 1 unidade (ou seja. na seção de estatísticas. mas não diz quanto mais rápido ou mais lento (embora não seja raro na literatura para encontrar a taxa de risco interpretado dessa maneira).  Hazard ratio com covariáveis . A taxa de risco de base representa o efeito da variável tempo sozinho. Se.Como ilustrado acima. Hazard ratios abaixo de 1.0 indicam que quanto maior a covariância.

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

como abaixo foi gerado com o comando postestimation Stata "stcurve. Uma vez que a taxa de risco é uma constante.. podemos dizer que uma pessoa no grupo de tratamento que sobreviveu a um determinado momento tem três vezes mais chances (odds sentido. controlando para outras variáveis no modelo. o placebo covariável = 0 / tratamento = 1. um hazard ratio de 1.59% = 159. como o sexo.05 significa que para um aumento de 1 unidade na covariável. A taxa de risco para nãotempo-variando covariáveis é a quantidade de mudanças no risco da ocorrência de cada unidade de mudança na covariável.0. basehc" (baselinehc). e uma taxa de risco calculado de 3. o sexo um grupo = É mais provável que incorrer o evento). A taxa de risco de 1. uma vez que o evento não curou 0/healed = = 1.1 (10%) aumento na taxa de risco. não de probabilidade) como uma pessoa no grupo placebo de ser curado no incremento da próxima vez. a taxa de risco é a quantidade a taxa de ocorrência mudanças para uma unidade de mudança no tempodependente da função da covariável. em perigo".Compare isso com o gráfico da função de risco em si (não cumulativo). A taxa de risco de 1. Por exemplo. Para variáveis no tempo covariáveis contínuas.    Para o tempo-invariante covariáveis contínuas. aqui baselinehc: "stcox VotePct Direitos sizes1 sizes2. Para covariáveis binário. podemos também dizer que por uma chance de 3:01 uma . a taxa de risco para o sexo = 1 está na comparação com o grupo do género = 0 (ex.1 para a covariável idade significaria que um aumento de um ano de idade estaria associada com um 0.0.12 significa que há um aumento de 12% na taxa de ocorrência de um aumento de 1 unidade na covariável. Este comando requer o comando stcox antes usar o basehc (opcional) para definir uma variável baseling função de risco. há um aumento de 5% na taxa de risco da variável evento que está sendo estudada. Onde a covariável é uma variável dicotômica agrupamento.59 aumentar a taxa de risco por um fator de aumento de 2. Dez aumento de anos de idade que corresponde a 1. Por exemplo.1 = 10 = 2. se a relação for superior a 1.

Porque a taxa de risco relativo. proporção que encerra.0. em perigo (sobrevivência ou não) está aumentando enquanto que os aumentos covariável. as taxas de risco são também muitas vezes interpretada como a probabilidade de ocorrência de um determinado caso. Tábuas de Vida. O coeficiente exponencial é a razão de risco e é interpretada em relação ao 1.5 significa que um governador de um estado democrático que foi no escritório de tempo t tem uma chance de 1. discutido abaixo. nem que três vezes mais pessoas tratadas serão curadas por um determinado tempo (veja Spruance et al.5:1 (ou 3:2) de não ser reeleito no tempo t +1. outras medidas de tempo podem ser utilizados para avaliar a magnitude do efeito sobre o tempo de duração. a proporção de sobrevivência. Não podemos dizer que a pessoa tratada vai curar três vezes mais rápido. em comparação com um governador de um estado republicano. não reeleito = 1. o risco de apenas relativa. e análise de resíduos é discutida na seção sobre análise histórico evento . A tabela a vida lhe dará o número de entrar e sair da piscina de risco em qualquer intervalo de tempo.pessoa no grupo de tratamento é mais provável que alcance o estado de cura de uma pessoa em um grupo placebo. sugerindo a aplicação da política a ser decisivo quanto tempo após o término do programa para agendar o acompanhamento social dos trabalhadores visitas. não 0. as taxas de risco de não avaliar os efeitos absolutos." a taxa de risco de 1. ea taxa de risco e seu erro padrão para cada intervalo de tempo. 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. 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. Modelos. 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.  Os intervalos de confiança pode ser calculado em torno de uma taxa de risco. o número de destino. Tabelas de vida. Pela mesma razão. Tabelas de vida. o número de expostos ao risco. 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.. Uma vez que um caso com o menor tempo para o evento é mais provável que incorrer o evento." para o "estado republicano covariável = 0. Relacionados.    o o Modelo de ajuste usando a razão de verossimilhança. nem o tempo de cicatrização é cortado em um terço. risco está diminuindo e aumentando a probabilidade de sobrevivência como covariável que diminui. por exemplo. para o evento "governador reeleito = 0. acessado em SPSS / SPSS selecionando Analisar. Como segundo exemplo. mas não mostra efeito absoluto. o estado democrático = 1. 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 relação dos tempos mediana é o candidato óbvio para tal medida. Unrau & Coleman (2006). a AIC. Se inferior a 0. como discutido acima. em um estudo do efeito de pastilhas de zinco sobre a duração do resfriado comum. Sobrevivência. Vários modelos de regressão de Cox existem para caber vários conjuntos de pressupostos de dados / situações. estão entre os meios para calcular tempo médio de uso em proporções medianas. as proporções cumulativas. 2004). Isto equivale a dizer que há 60% (05/03). índices medianos. Por exemplo. mas não faz parte do SPSS / SPSS 's módulo Cox são tabelas de vida . .

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

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

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

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

você pode transformá-lo (por exemplo. dando a inferior e superior de confiança dos limites de 95% em torno do valor da Exp (B). para os dados semanais. com um fumo ser pesado.. e os outros são zerados. a morte = 1: diminuir o tempo de sobrevivência previsto). ex.1 vezes maior para fumantes do que para a luz e não-fumantes (fumantes = 0). e se a taxa de risco (Exp (B)) é de 1. o comando stcox gera a taxa de risco. então é preciso criar uma expressão lógica que relaciona a variável de tempo em cada período de tempo (ex.  Selecionando a opção Cox tempo-dependente insere automaticamente uma variável de tempo.0. Com covariáveis dependentes do tempo  No SPSS / SPSS. e . Análise selecionar. Quanto mais a relação de risco é inferior a 1.1. uma nova variável chamada T_COV_ é criado para uso na análise. Como discutido anteriormente na seção de regressão de Cox simples . Na caixa de diálogo 'Compute TimeDependent Cov.  Stata:. também chamado de "odds ratio" ou Exp (B). Para covariáveis tempo-dependentes do tipo (1) acima.0.0. Se o valor de 1. 1). onde você pode digitar uma expressão lógica complexa. 1. etc Por exemplo.. então o risco de morte é 1.. a Time 4: (T_ <1) * CA1 + (T_> = 1 & T_ <2) * CA2 + (T_> = 2 & T_ + <3) * CA3 (T_> = 3 & T_ <4) * CA4). controlando para outras variáveis em qualquer modelo. menor as chances de o evento ocorrer (aumento previsto o tempo de sobrevivência). etc. quando o seu risco relativo é de 1. mais as variáveis aumentam as chances de o evento ocorrer (ex. o Estado variável (e definir o seu evento. vamos ser CA1 freqüência à igreja no tempo 1. Sobrevivência. A taxa de risco de 1.. clique no botão Model para entrar a variável tempo. CA2 in Time 2. Nesse caso. então um termo de interação é criado com o tempo (ex. selecione T_COV_ ea covariável e clique em> o "= a * b> botão". Se a variável não é sistematicamente relacionado com o tempo. define (opcionalmente transformar) em "Compute Time-Dependent Cov" caixa de diálogo. o Estatística  taxa de risco. (T_ <1) A verdade é avaliado como um e multiplicado pela variável correspondente CA.0 encontra-se dentro destes limites de confiança.1. Neste exemplo. óbito = 1) e introduza o covariáveis. valor de p. T_COV_ * churchattendancerate). para obter um termo de interação em tempo covariável entrou na lista covariável. dada a sobrevivência ao tempo t.  SPSS / SPSS. De qualquer maneira. qualquer lógica sub-expressão (ec. A taxa de risco é a probabilidade de o evento ocorrer no tempo t + 1. T_.  O risco relativo é a razão de risco para o caso em que a covariável é uma dicotomia. por padrão. a característica não tem qualquer influência sobre o evento. clique no botão Colar para abrir o Editor de sintaxe. w Cox / Time-Dep Cov .. não se pode ter 95% de certeza de que a covariável tem qualquer efeito e deve relatá-lo como não-significativa. Segmentado covariáveis dependentes do tempo. A taxa de risco aparece como Exp (B) nas variáveis "na equação" mesa de saída do SPSS SPSS /.0 indica que as variáveis no modelo não têm nenhum efeito no tempo de eventos para a variável de estado. de modo que quando codificado 0. quando o seu risco relativo superior a 1. Ordinária covariáveis dependentes do tempo. e se o evento é a morte = 1. Quanto mais acima de 1. se uma covariável é o tabagismo (0. e aumenta a probabilidade do evento. o maior da covariável.. no topo da lista de variáveis. Caso a variável é sistematicamente em relação ao tempo (a variável T_). T_/52 iria transformá-lo anual) ou deixá-lo como T_.  Os intervalos de confiança em Exp (B) são produzidos pelo SPSS / SPSS e outros pacotes. juntamente com o seu erro padrão. a 1 indica a presença de uma característica. Para covariáveis tempo-dependentes do tipo (2) acima.0. 2.

O modelo completo tinha-2LL = 32. que é o modelo de tempo apenas quando todas as covariáveis são 0. Na figura acima. Isto significa que pelo menos uma das covariáveis contribui significativamente para a explicação de duração para o evento. Ou seja.. então o efeito de covariáveis (s) não pode ser considerado como diferente de zero. Adicionando o Nohr "opção para o comando stcox suprime taxas de risco e causas dos coeficientes de risco correspondente a ser impresso. Ou seja.11219 corresponde ao 2LL em SPSS SPSS saída / de 32. também. A probabilidade estatística -2 log aparece no "-2 log verossimilhança" da tabela do SPSS / SPSS. as co-variáveis contribuem significativamente para a explicação de dias de duração dos estados. 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 é o exemplo simples usado aqui . como ilustrado abaixo. SPSS / SPSS e alguns outros pacotes de saída também uma estatística escore (aka global. um modelo de diferença qui-quadrado de 12. o nível de significância é a mesma (0. mas o teste da razão de verossimilhança é o teste padrão. Para a ilustração acima.012). que em cada etapa adiciona a variável com o maior número de pontos significativos. Significa. o modelo como um todo é importante. se Sig.88.  intervalos de confiança. qui-quadrado ou total do qui-quadrado) como critério de significância alternativa para o modelo. testes de razão de probabilidade Stepwise aparecer no "modelo de coeficientes tabela 'no SPSS / SPSS.224 (multiplicar por -2 para conseguir isso). o modelo é significativamente melhor do que o modelo nulo.104. Se-2LL é significativo. A estatística de pontuação. No entanto. . também chamado de teste de omnibus ou-2LL ou -2 log verossimilhança.05 (o padrão usual da ciência social). Stata: O teste da razão de verossimilhança é gerado pelo comando stcox. até a ratificação da Constituição.012. a pontuação é usado na regressão stepwise Cox no SPSS / SPSS.> 0. A verossimilhança da -16. seja por razão de probabilidade qui-quadrado ou global (score) do quiquadrado. o que é significativo ao nível 0. Teste da razão de verossimilhança do modelo. SPSS / SPSS:.224. Interpretação do odds ratio é discutida nas seções de análise loglinear e regressão logística . A taxa de probabilidade quiquadrado e seu significado (Prob) permanecem os mesmos em ambos os programas. o nulo (intercepto-only) modelo tinha-2LL = 45.     Comparado com outros testes.

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

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

Odds ratio acima de 1. em comparação aos estados grandes (3. estados pequenos e médios ratificado antes.   A razão de chances. discutido acima. Idealmente. a categoria de referência). deve-se interpretar que diz respeito à categoria de referência. menos dia). depois da ratificação e mais dias de duração).0 significa que o co-variável não tem efeito sobre as probabilidades associadas ao cargo. Odds ratio de 1. Para covariáveis categóricas. indicando que. grandes estados tiveram mais dias para ratificar a Constituição estabelece.0. que é também a razão de risco para uma dada covariável. Exp (B) é a mudança prevista no perigo de um aumento unitário no indicador. Matriz de correlação dos coeficientes de regressão é um dos quadros do SPSS SPSS output / saída e de outros pacotes. Exp (b)" como no SPSS / SPSS. portanto.0 correspondem a coeficientes b negativos. O odds ratio para as pequenas (1) e médio (2) estados são menos de 1. 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). sendo pequena ou média aumentou o risco. tamanho é categórica (1 = pequenos estados. Assim. . Assim razões odds acima de 1. nenhum par de preditores é altamente correlacionadas. como tal. Stata rótulos as taxas de risco. Medium ratificado em poucos dias . Por exemplo. indicado pelo odds ratio para o tamanho = 2 sendo a mais baixa (mais distante de 1.0 correspondem aos coeficientes b positivo e odds ratio abaixo de 1. A ilustração abaixo mostra multicolinearidade não é indicado para os preditores no modelo 2. os estados 2 = médio e 3 (categoria de referência) = grandes estados. Odds ratio abaixo de 1.0).Como mostrado na figura acima. ou seja.0 estão associados com risco de diminuição do evento (neste caso. antes da ratificação e. não ".0 estão associados com risco aumentado do evento (neste caso. na ilustração acima. Ele é usado para verificar a multicolinearidade. Exp (B) na saída acima é a razão de chances.

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

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

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

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

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

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

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

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

using a time-constant latent covariate. If the actual data have events representing multiple states. the researcher should use more complex multiple event models for such data. See above for a discussion of statistical output used in analysis of possible outliers. Therefore. 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. which relaxes assumptions about the distribution of error . Since in diffusion studies and many other social science areas independence is not a sound assumption to make. 2005: 10). Since coefficient size is a function of other covariates in the model. handling ties poses a computational problem. time dependence must be modeled. As in nearly all forms of analysis." and subsuming both under "conflict resolution" will yield estimates unsatisfactory for explaining either state when using usual single-event Cox models. the model for "diplomatic resolution" may be very different from the model for "military resolution. and proceed stepwise until there are no more non-significant covariates in the final model. Rather. and/or a surrogate variable added such as number of neighbors adopting the innovation in a diffusion study. 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. 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. See BoxSteffensmeier & Jones (2004: Chapter 9) for an extended discussion of unobserved heterogeneity and ways to deal with it. meaning bias introduced by omitting important explanatory variables. Although there are methods for handling ties (ex. As in other forms of regression. This is the problem of autocorrelation in time series analysis.  Model-trimming strategies apply to Cox and other EHA models." Proper model specification . the problem can be mitigated by the use of robust variance estimation . 1986: 14). there should be 5% or fewer tied observations in the dataset to still assume insignificant bias (Prentice & Farewell. including inappropriate covariates. For example. No small samples . Unobserved heterogeneity may be addressed by including random effects in the EHA model. The status variable must be unambiguously defined. the Breslow method is most often used). depending on whether the event of interest had occurred). Independent observations . or if irrelevant but correlated variables are removed from the model. 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. which in turn leads to biased estimates of standard error and significance. See Heckman and Singer (1982) on random effects procedures. "this [Cox] method should not be used with small samples.  Robust estimators . this is discussed as the problem of unobserved heterogeneity . Few ties . outlier cases can bias estimates. when the hazard ratio for some covariates is found to be non-significant. Lack of independence leads to error terms being correlated. Clearly defined events . as a rule of thumb. multiple states should be modeled explicitly. not a series of different types of events. that subject may be clearly assigned (usually to status=0 or status=1. so as to avoid the bias that arises when large numbers of cases are not "truly" at risk). Sensitivity analysis may or may not lead the researcher to conclude that Cox modeling is inappropriate. according to Box-Steffensmeier & Jones (1997: 1434). 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. "Ordinary" Cox modeling deals with situations where the unit of analysis has a risk of a particular event. the researcher should drop the most non-significant covariate from the model. Unobserved heterogeneity (the effects of variance in important but unobserved variables) is associated with downward bias in duration dependence (Vermunt and Moors.o o o o o o according to different starting points for data on the predictor variables. re-run the analysis. so that any subject for any time period. For instance. In an event history analysis (EHA) context. Because Cox methods rely on order of events. When data independence is an issue. Absence of outliers .  Unobserved heterogeneity also biases estimates of covariate effects.

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

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

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

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

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

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

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

@c 2006. de regressão de Cox K. Iremos introduzir a função de sobrevivência ea função de risco que caracterizam a distribuição de também. 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. As principais áreas de aplicação. Supomos que a distribuição de probabilidade de é descrito por uma função de densidade . 2009. Estatística Médica e Epidemiologia (153133) Análise de Sobrevivência (semana 02) Hazard / taxas de insucesso. Tais eventos são referidos genericamente como falhas que o evento pode. Poortema. Deixar ser a variável aleatória não negativo que representa o tempo de falha de um indivíduo arbitrário. ser o desempenho de uma determinada tarefa em uma experiência de aprendizagem em psicologia ou mudança de residência. em um estudo demográfico. são estudos médicos sobre doenças crônicas e ensaios de vida industrial. por exemplo. no entanto. A função de sobrevivência é definida por (1) . 2010 G. 2008. Nós supomos que as observações estão disponíveis no tempo de falha independente indivíduos.

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

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. o que significa que algumas vezes o fracasso não são conhecidas. Existem várias razões para censurar. para citar alguns: Alguns pacientes podem ter deixado o estudo inicial. 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. a análise estava preocupado com o tempo até à morte. A distribuição gama pode ser considerada como uma outra generalização da distribuição exponencial. são perdidos de seguimento. Neste texto. daí o nome. Para estes uma falha desconhecida vezes só se sabe que o tempo de falha superior a um valor conhecido. Se tem uma distribuição lognormal. 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. bem como a mortalidade. isso significa que a falha exata tempos de um certo número de indivíduos não são conhecidos. 1+ 5+ 6 6 9+ 10 10 10 + 12 12 12 12 13 + 15 + 16 + 20 + 24 24 + 27 + 32 34 + 36 + 36 + 44 + . onde é a conhecida gama de funções muito bem: ( ). Para a densidade (11) se reduz a densidade da distribuição exponencial. chamado censurar o tempo. Uma característica comum de dados de sobrevivência é censura. Skew distribuições podem ser modelados por meio de uma distribuição lognormal ou uma distribuição gama tão bem. a nota . Além disso. descrito por expectativa e uma variância . vamos supor que o processo de censura é independente do processo que pretende estudar. consideramos apenas a censura à direita. há direito a censura.Em geral. Exemplos: a emigração. a sua função densidade é . Estudamos a sobrevivência de 49 pacientes com câncer colorretal Dukes'C. então isso significa que tem uma distribuição normal. Originalmente. Os tempos de sobrevivência (meses) de dois grupos de tratamento são os seguintes. a distribuição de uma falha ou tempo de sobrevivência é a inclinação. mas a análise de sobrevivência é aplicável a muitas áreas.

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

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

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

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

423 0...703 -0.495 0..450 0.421 Wald 18.722 -0.853 2.406 2. o nascimento (1). torna-se onde são os valores das variáveis de cada indicador .420 0.514 0.529 2. Use SPSS quando você faz as peças A en B desta tarefa. Desde o resultado das Wald é 18. Assim.112 0.340 Exp (B) 0.421 0..411 estamos aqui rejeitar a hipótese nula.091 0.. Em vez disso.094 0.089 0. B nascimento nascimento (1) nascimento (2) nascimento (3) nascimento (4) nascimento (5) nascimento (6) nascimento (7) nascimento (8) -0. Nós não damos uma fórmula explícita para a estatística Wald com (aqui) de 8 graus de liberdade. pode testar se todos os efeitos do Nascimento covariável são zero. .025 0. ao nascer (8).doc.911 df 8 1 1 1 1 1 1 1 1 Sig. De acordo com a fórmula a relação entre os riscos de taxas de nascimento dos anos 78 e 86 é igual a . para os respectivos resultados da covariável temos agora (possivelmente) diferentes (multiplicativo) e efeitos aqui no ano de nascimento 86 serve como valor de referência.489 0.388 0. Os graus de liberdade depende do número de variáveis indicadoras.065 0.800 2.707 -0. Secção 7: Atribuição Antes de começar: consultar o texto do arquivo Sobre SPSS. O nível de significância de 5%). portanto. se o resultado de nascimento é de 79 e em outros lugares.se o resultado de nascimento é de 78 e em outro lugar.419 0. Usando SPSS o seguinte resultado é obtido. 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.018 0. Da mesma forma.890 0.402 SE 0.715 -0. Em nossos testes problema que temos de rejeitar se Wald (Chi quadrado com df .433 0.019 2. Vamos testar a hipótese nula contra a hipótese alternativa . .419 0.799 -0. pode ser diferente para os conjuntos de dados diferentes. .901 5. Em vez de o último valor o primeiro valor pode ser escolhido como valor de referência (categoria ) em SPSS.411 3. se o resultado de nascimento é de 85 e em outros lugares.424 0.089 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%. Concluímos que a distribuição (de) Duração depende do Nascimento covariável. a relação entre os riscos de taxas de nascimento dos anos 79 e 86 é igual a . Contudo. não é útil para testar para cada variável indicadora do Nascimento covariável.947 -0. nascimento (2). excepto um (verifique isso).486 0. 0. Usando essas variáveis o indicador de taxa de risco e.. respectivamente.669 Na primeira coluna da tabela de parâmetros são indicados. Acabamos de indicar como trabalhar com ele.493 0. o nosso modelo.666 -0.

(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. Em caso de covariáveis categóricas você não precisa se preocupar com as variáveis indicadoras descrito na seção 6: SPSS apresenta essas variáveis indicador automaticamente. categóricas no menu de Regressão de Cox). Para as covariáveis idade e escola (e Nascimento) decidir se você tomar as covariáveis categóricas como covariável (em caso afirmativo. Parte Um Selecione um número de subgrupos e parcelas de estudo da estimativa de Kaplan Meier da função de sobrevivência. nl ) ou anel (074) 4893379.Você não tem que escrever um relatório para este trabalho. a fim de responder às seguintes questões. a fim de selecionar as covariáveis.. Use testes estatísticos. vá para etc .. Investigar dentro desse modelo em que o covariáveis dependentes) Duração variável (depende realmente. 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.poortema @ ewi. Seguir uma estratégia clara.utwente . . Ao invés de parcelas da função de sobrevivência você pode usar terrenos da função de risco ou em função da função de sobrevivência. Para fazer uma nomeação para o serviço: enviar um e-mail ( k.. 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.

Sign up to vote on this title
UsefulNot useful