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.

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

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

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

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

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

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

controlando para outras variáveis no modelo.1 (10%) aumento na taxa de risco.    Para o tempo-invariante covariáveis contínuas. Por exemplo. A taxa de risco para nãotempo-variando covariáveis é a quantidade de mudanças no risco da ocorrência de cada unidade de mudança na covariável. Dez aumento de anos de idade que corresponde a 1. há um aumento de 5% na taxa de risco da variável evento que está sendo estudada. Para covariáveis binário. A taxa de risco de 1. como abaixo foi gerado com o comando postestimation Stata "stcurve. A taxa de risco de 1.59% = 159.12 significa que há um aumento de 12% na taxa de ocorrência de um aumento de 1 unidade na covariável.59 aumentar a taxa de risco por um fator de aumento de 2. Uma vez que a taxa de risco é uma constante. não de probabilidade) como uma pessoa no grupo placebo de ser curado no incremento da próxima vez. Onde a covariável é uma variável dicotômica agrupamento. e uma taxa de risco calculado de 3. como o sexo.0. em perigo". uma vez que o evento não curou 0/healed = = 1.1 = 10 = 2. basehc" (baselinehc). a taxa de risco é a quantidade a taxa de ocorrência mudanças para uma unidade de mudança no tempodependente da função da covariável. se a relação for superior a 1.05 significa que para um aumento de 1 unidade na covariável.Compare isso com o gráfico da função de risco em si (não cumulativo). podemos dizer que uma pessoa no grupo de tratamento que sobreviveu a um determinado momento tem três vezes mais chances (odds sentido. o sexo um grupo = É mais provável que incorrer o evento). Por exemplo. Para variáveis no tempo covariáveis contínuas. podemos também dizer que por uma chance de 3:01 uma .1 para a covariável idade significaria que um aumento de um ano de idade estaria associada com um 0. um hazard ratio de 1. Este comando requer o comando stcox antes usar o basehc (opcional) para definir uma variável baseling função de risco. aqui baselinehc: "stcox VotePct Direitos sizes1 sizes2.0. a taxa de risco para o sexo = 1 está na comparação com o grupo do género = 0 (ex. o placebo covariável = 0 / tratamento = 1..

Unrau & Coleman (2006). Uma vez que um caso com o menor tempo para o evento é mais provável que incorrer o evento. estão entre os meios para calcular tempo médio de uso em proporções medianas. Por exemplo. Modelos. em um estudo do efeito de pastilhas de zinco sobre a duração do resfriado comum. 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. e análise de resíduos é discutida na seção sobre análise histórico evento . não 0. índices medianos. sugerindo a aplicação da política a ser decisivo quanto tempo após o término do programa para agendar o acompanhamento social dos trabalhadores visitas. risco está diminuindo e aumentando a probabilidade de sobrevivência como covariável que diminui.  Os intervalos de confiança pode ser calculado em torno de uma taxa de risco. como discutido acima. Tábuas de Vida. não reeleito = 1. 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. A tabela a vida lhe dará o número de entrar e sair da piscina de risco em qualquer intervalo de tempo." para o "estado republicano covariável = 0. Isto equivale a dizer que há 60% (05/03). Porque a taxa de risco relativo. nem o tempo de cicatrização é cortado em um terço. 2004). Tabelas de vida. em perigo (sobrevivência ou não) está aumentando enquanto que os aumentos covariável. Como segundo exemplo. para o evento "governador reeleito = 0.5 significa que um governador de um estado democrático que foi no escritório de tempo t tem uma chance de 1. por exemplo. 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 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. ea taxa de risco e seu erro padrão para cada intervalo de tempo.5:1 (ou 3:2) de não ser reeleito no tempo t +1..0." a taxa de risco de 1. O coeficiente exponencial é a razão de risco e é interpretada em relação ao 1. as taxas de risco são também muitas vezes interpretada como a probabilidade de ocorrência de um determinado caso. Tabelas de vida. proporção que encerra. outras medidas de tempo podem ser utilizados para avaliar a magnitude do efeito sobre o tempo de duração. as proporções cumulativas. mas não faz parte do SPSS / SPSS 's módulo Cox são tabelas de vida . acessado em SPSS / SPSS selecionando Analisar. A relação dos tempos mediana é o candidato óbvio para tal medida. o número de destino. Relacionados. o risco de apenas relativa.pessoa no grupo de tratamento é mais provável que alcance o estado de cura de uma pessoa em um grupo placebo. nem que três vezes mais pessoas tratadas serão curadas por um determinado tempo (veja Spruance et al. em comparação com um governador de um estado republicano. Pela mesma razão. as taxas de risco de não avaliar os efeitos absolutos. o estado democrático = 1. Não podemos dizer que a pessoa tratada vai curar três vezes mais rápido. a AIC.    o o Modelo de ajuste usando a razão de verossimilhança. discutido abaixo. 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. o número de expostos ao risco. mas não mostra efeito absoluto. . Se inferior a 0. Vários modelos de regressão de Cox existem para caber vários conjuntos de pressupostos de dados / situações. Sobrevivência. a proporção de sobrevivência.

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

irá obter um perigo funções distintas de base para cada valor da variável categórica. pode-se usar o would-be variável estratificação como covariável. ou a estatística de Wald. apenas um conjunto de coeficientes agrupados são . permitindo a comparação das funções de risco em riscos competitivos. em vez da razão de verossimilhança com base em estimativas de parâmetros condicionais (semelhante. são direcionados para situações onde os eventos de repetição. Porque é preciso assumir os mesmos efeitos em todas as categorias. é convencional a concluir que a exclusão dessa variável se justifica.05 ou menos. A estatística de contagem é utilizado pelo SPSS / SPSS como critério de entrada. na terminação de guerras pode ocorrer através da negociação ou a derrota. a variável com a estatística de maior pontuação não nas variáveis "na equação de mesa" é a próxima a ser inserido na etapa seguinte. na seção sobre "Parcelas"). em qualquer etapa. são dirigidos a situações em que o evento terminal pode ocorrer mais de uma razão. uma "perda do quiquadrado" estatística é calculada em cada etapa. tais como ataques múltiplos com uma doença e cura para os doentes. Além disso. mas o usuário pode selecionar. em qualquer etapa. Como em outras formas de regressão.05 ou menos. Por exemplo. Se a importância global é 0. Se a mudança de significado etapa anterior é 0. pelo menos uma das variáveis ainda a ser adicionado ao modelo é significativa. Se a mudança de significado bloco anterior é 0. ot vários períodos de paz e de guerra para as nações. ou a mudança do bloco anterior (se a entrada de bloco é usado. se pensava que tinham funções diferentes categorias de base diferente. os métodos stepwise adicionar a variável com maior pontuação significativa. 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. bem como "enter" (todas as variáveis do modelo entrou em uma etapa) e "block" (variáveis entrou em blocos especificado pelo usuário).  critérios de remoção na regressão "Se o mandato Removido mesa". em cada etapa. caso contrário esta será a mesma da etapa anterior). Competindo modelos de riscos. proporcionalidade pode ser verificado pela LogMinus. Em cada etapa.05 ou menos. Stata mas não SPSS / SPSS suporta modelos repetidos eventos. em qualquer etapa. onde está a remover uma variável de cada etapa. Para qualquer determinada variável. também chamado de "episódio vários" modelos.10.10.  "Omnibus Testes de modelo de coeficientes" tabela usa-2LL para testar a mudança a partir da etapa anterior. o residual do qui-quadrado é calculado e exibido nas variáveis "Not in a equação" da tabela. se o significado da mudança> 0. Ao entrar covariável categórica no "Strata" caixa de diálogo de regressão de Cox no SPSS / SPSS.  critério de entrada. No passo a passo para trás. Alguém poderia fazer isso.Log parcelas de sobrevivência. regressão de Cox suporta "stepwise". a variável é removida se o significado da perda do qui-quadrado é maior do que 0. mas pode ser implementado como modelos de Cox também. discutidos abaixo. A cada passo. a variável adicionada em que etapa é significativo. o Regressão de Cox estratificado. eventos repetidos são discutidas mais adiante na seção de análise de histórico de eventos . mas pode ser implementado como modelos de Cox também. também chamado de "múltiplos destinos" modelos. então pelo menos uma das variáveis no modelo em que ponto é significativa.  eventos modelos repetidos. Stata mas não SPSS / SPSS suporta modelos concorrentes riscos. modelos concorrentes riscos tratar razões diferentes como diferentes eventos. modelos de riscos competitivos são discutidas mais adiante na seção de análise de histórico de eventos . que não foram proporcionais (se fosse proporcional. métodos para a inserção de variáveis independentes (as covariáveis ). claro. o A regressão de Cox. mas mais rápido computacionalmente). refletindo a contribuição das variáveis para o modelo. a variável (s) acrescentar a este bloco é / são significativas.

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

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

Ordinária covariáveis dependentes do tempo. e se a taxa de risco (Exp (B)) é de 1. clique no botão Model para entrar a variável tempo. A taxa de risco de 1. não se pode ter 95% de certeza de que a covariável tem qualquer efeito e deve relatá-lo como não-significativa. T_COV_ * churchattendancerate). Com covariáveis dependentes do tempo  No SPSS / SPSS. de modo que quando codificado 0.1 vezes maior para fumantes do que para a luz e não-fumantes (fumantes = 0). então um termo de interação é criado com o tempo (ex. Para covariáveis tempo-dependentes do tipo (2) acima. quando o seu risco relativo é de 1. quando o seu risco relativo superior a 1.0. o Estatística  taxa de risco. menor as chances de o evento ocorrer (aumento previsto o tempo de sobrevivência). clique no botão Colar para abrir o Editor de sintaxe.1. T_. e os outros são zerados. 2. Como discutido anteriormente na seção de regressão de Cox simples . mais as variáveis aumentam as chances de o evento ocorrer (ex. controlando para outras variáveis em qualquer modelo.  SPSS / SPSS. no topo da lista de variáveis. a característica não tem qualquer influência sobre o evento. você pode transformá-lo (por exemplo. Análise selecionar. Quanto mais a relação de risco é inferior a 1. então é preciso criar uma expressão lógica que relaciona a variável de tempo em cada período de tempo (ex.0.  Os intervalos de confiança em Exp (B) são produzidos pelo SPSS / SPSS e outros pacotes. com um fumo ser pesado. a morte = 1: diminuir o tempo de sobrevivência previsto). Quanto mais acima de 1. o comando stcox gera a taxa de risco. a Time 4: (T_ <1) * CA1 + (T_> = 1 & T_ <2) * CA2 + (T_> = 2 & T_ + <3) * CA3 (T_> = 3 & T_ <4) * CA4). para obter um termo de interação em tempo covariável entrou na lista covariável. etc Por exemplo. juntamente com o seu erro padrão. por padrão. Para covariáveis tempo-dependentes do tipo (1) acima. Caso a variável é sistematicamente em relação ao tempo (a variável T_)..  Selecionando a opção Cox tempo-dependente insere automaticamente uma variável de tempo. qualquer lógica sub-expressão (ec.. etc. Se a variável não é sistematicamente relacionado com o tempo..0 encontra-se dentro destes limites de confiança. Segmentado covariáveis dependentes do tempo. 1. dando a inferior e superior de confiança dos limites de 95% em torno do valor da Exp (B).0. w Cox / Time-Dep Cov . T_/52 iria transformá-lo anual) ou deixá-lo como T_. se uma covariável é o tabagismo (0. vamos ser CA1 freqüência à igreja no tempo 1.. A taxa de risco aparece como Exp (B) nas variáveis "na equação" mesa de saída do SPSS SPSS /.  O risco relativo é a razão de risco para o caso em que a covariável é uma dicotomia. o Estado variável (e definir o seu evento. para os dados semanais.. valor de p.1. óbito = 1) e introduza o covariáveis. também chamado de "odds ratio" ou Exp (B). o maior da covariável.. Se o valor de 1. Na caixa de diálogo 'Compute TimeDependent Cov.0 indica que as variáveis no modelo não têm nenhum efeito no tempo de eventos para a variável de estado. A taxa de risco é a probabilidade de o evento ocorrer no tempo t + 1. define (opcionalmente transformar) em "Compute Time-Dependent Cov" caixa de diálogo. onde você pode digitar uma expressão lógica complexa.0.  Stata:. ex. e . De qualquer maneira. e aumenta a probabilidade do evento. e se o evento é a morte = 1. CA2 in Time 2. selecione T_COV_ ea covariável e clique em> o "= a * b> botão". Neste exemplo. uma nova variável chamada T_COV_ é criado para uso na análise. então o risco de morte é 1. Nesse caso. Sobrevivência. 1). (T_ <1) A verdade é avaliado como um e multiplicado pela variável correspondente CA. a 1 indica a presença de uma característica. dada a sobrevivência ao tempo t.

Isto significa que pelo menos uma das covariáveis contribui significativamente para a explicação de duração para o evento. qui-quadrado ou total do qui-quadrado) como critério de significância alternativa para o modelo. o nível de significância é a mesma (0.224. A estatística de pontuação.11219 corresponde ao 2LL em SPSS SPSS saída / de 32. O modelo completo tinha-2LL = 32. o que é significativo ao nível 0.012). Para a ilustração acima. 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. No entanto. Se-2LL é significativo. seja por razão de probabilidade qui-quadrado ou global (score) do quiquadrado. se Sig. até a ratificação da Constituição. Stata: O teste da razão de verossimilhança é gerado pelo comando stcox.     Comparado com outros testes.012. A probabilidade estatística -2 log aparece no "-2 log verossimilhança" da tabela do SPSS / SPSS. Ou seja. um modelo de diferença qui-quadrado de 12. Teste da razão de verossimilhança do modelo.. o nulo (intercepto-only) modelo tinha-2LL = 45. a pontuação é usado na regressão stepwise Cox no SPSS / SPSS. Na figura acima. testes de razão de probabilidade Stepwise aparecer no "modelo de coeficientes tabela 'no SPSS / SPSS. SPSS / SPSS:.  intervalos de confiança.104. Ou seja. Adicionando o Nohr "opção para o comando stcox suprime taxas de risco e causas dos coeficientes de risco correspondente a ser impresso. Interpretação do odds ratio é discutida nas seções de análise loglinear e regressão logística . SPSS / SPSS e alguns outros pacotes de saída também uma estatística escore (aka global. o modelo como um todo é importante. o modelo é significativamente melhor do que o modelo nulo. que é o modelo de tempo apenas quando todas as covariáveis são 0. A verossimilhança da -16.05 (o padrão usual da ciência social). . como ilustrado abaixo.88. então o efeito de covariáveis (s) não pode ser considerado como diferente de zero.> 0. também. que é o exemplo simples usado aqui . mas o teste da razão de verossimilhança é o teste padrão. A taxa de probabilidade quiquadrado e seu significado (Prob) permanecem os mesmos em ambos os programas. que em cada etapa adiciona a variável com o maior número de pontos significativos. as co-variáveis contribuem significativamente para a explicação de dias de duração dos estados. Significa.224 (multiplicar por -2 para conseguir isso). também chamado de teste de omnibus ou-2LL ou -2 log verossimilhança.

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

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

não ". Exp (B) é a mudança prevista no perigo de um aumento unitário no indicador.Como mostrado na figura acima. nenhum par de preditores é altamente correlacionadas. na ilustração acima. sendo pequena ou média aumentou o risco. 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). portanto. Ele é usado para verificar a multicolinearidade. Exp (b)" como no SPSS / SPSS. Odds ratio acima de 1. A ilustração abaixo mostra multicolinearidade não é indicado para os preditores no modelo 2. Odds ratio abaixo de 1. que é também a razão de risco para uma dada covariável. como tal. menos dia). Idealmente. Medium ratificado em poucos dias . Exp (B) na saída acima é a razão de chances. discutido acima. Matriz de correlação dos coeficientes de regressão é um dos quadros do SPSS SPSS output / saída e de outros pacotes. tamanho é categórica (1 = pequenos estados. Por exemplo. em comparação aos estados grandes (3. ou seja. Assim razões odds acima de 1. os estados 2 = médio e 3 (categoria de referência) = grandes estados.   A razão de chances. deve-se interpretar que diz respeito à categoria de referência.0). Odds ratio de 1. a categoria de referência). grandes estados tiveram mais dias para ratificar a Constituição estabelece. .0.0 correspondem a coeficientes b negativos. O odds ratio para as pequenas (1) e médio (2) estados são menos de 1. Assim.0 estão associados com risco aumentado do evento (neste caso. Stata rótulos as taxas de risco. indicando que.0 correspondem aos coeficientes b positivo e odds ratio abaixo de 1.0 significa que o co-variável não tem efeito sobre as probabilidades associadas ao cargo. depois da ratificação e mais dias de duração). antes da ratificação e.0 estão associados com risco de diminuição do evento (neste caso. indicado pelo odds ratio para o tamanho = 2 sendo a mais baixa (mais distante de 1. estados pequenos e médios ratificado antes. Para covariáveis categóricas.

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

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

. que também pode ter um "por" parâmetro. Por exemplo. o teste Tarone-Ware da igualdade . Stata. Qualquer que seja o teste escolhido. A produção destes modelos ainda contém um teste de verossimilhança do modelo como um todo. 0.5 anos. O eixo Y é risco cumulativo. como quando o pesquisador acredita que as funções de risco são proporcionais entre os grupos. Se uma variável categórica tem dois valores (por exemplo. O teste Peto-Prentice-Peto é apropriado quando as funções de risco são assumidos como nãoproporcional entre os grupos. nd). As curvas representam um indivíduo hipotético (ou qualquer outra unidade de análise). 1. na média do covariável (s). mas Wilcoxon mais. O padrão de teste de log-rank é apropriado quando a cada tempo de falha deve ser dado o mesmo peso. Gompertz. peso nas duas vezes anteriores falha mais fortemente. Ou seja. os grupos diferem significativamente pela função de sobrevivência. em seguida. o comando sts género de ensaio. etc. e os modelos da gama. com base em uma análise previamente calculado com o comando stcox.  Stata: No Stata. declive parcelas risco cumulativo até esquerda para a direita a partir da origem na esquerda. (ex. com valores médios na covariável (s) a qualquer momento como representado no eixo X. as taxas de risco para as co-variáveis. O teste de Wilcoxon pesos. Linhas da tabela são os intervalos de tempo (ex. 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. 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.0 anos.  SPSS / SPSS: Como discutido acima. Estes são a exponencial. log-logístico. realiza um teste de log-rank (o padrão) ou testes alternativos (o de Wilcoxon (Breslow) teste de diferenças nas funções de sobrevivência. 1. Wilcoxon dá o teste de Wilcoxon para a igualdade das funções de sobrevivência por sexo. então haverá uma parcela de risco cumulativo para cada valor. o comando StrEG suporta modelos de sobrevivência que não seja o modelo de risco proporcional de Cox. o "por" parâmetro permite a comparação de sobrevivência ou de funções entre os diferentes níveis de perigo de uma covariável discretos. em perigo). obtém-se um valor de qui-quadrado eo significado para esse valor. o Nelson-Aalen função de risco cumulativa (gráfico st. mas este teste não é afetado por semelhança ou dissemelhança de censura padrões em grupos. o teste de FlemingHarrington generalizada da igualdade). log-normal. Se alguém quiser sobrevivência ou de perigo funções como uma tabela em vez de um gráfico..) SPSS / SPSS gera uma média "de covariáveis tabela". ou escore médio de produtividade em um estudo de promoções). e mais . o gráfico irá exibir curvas duas ou mais funções. permitindo a comparação. uma para cada valor da variável. Se o "por" parâmetro é adicionado. este pode ser realizado com a lista sts comando. 1 = tabagismo pesado). utilizando o comando teste sts. Teste de igualdade das funções de sobrevivência. o teste Peto-Prentice-Peto de igualdade). 0 = não-fumadores ou light. 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. paramétrica em modelos de sobrevivência Stata. o "Quadro de sobrevivência" na saída de SPSS SPSS / contém a linha de base e previu taxas de risco. gráfico de r. Weibull.05. dando meios covariável (por exemplo. por grupo. Se o valor da significância (p) é = <0. o comando gráfico sts gera gráficos das funções-Meier de sobrevida Kaplan (gráfico r). de (droga) vai dar uma parcela de função para a droga e droga = 0 = 1 se droga tem dois valores). a idade média em um estudo das mortes por doença. mas os padrões de censura são semelhantes entre os grupos.5 anos.  sobrevivência. supondo que um comando stcox já executado. O número máximo de grupos é de 800. em número de indivíduos no grupo de risco no momento da falha e é adequado quando o pesquisador acredita que as funções de risco não variar proporcionalmente entre os grupos. o teste de Cox da igualdade. As tarifas são apresentadas de uma pessoa hipotética escores que. A curva (s) mostrar como os aumentos de risco acumulado ao longo do tempo para tais indivíduos hipotéticos. a função de risco estimada (gráfico r.

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

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

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

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

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

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

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

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

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

Failure is assumed to occur at time = failtime. Multiple-record data with multiple events . failtime is the time. The stset command declares the researcher's data format. accomplished with the stset command. where d=1 if the observation failed (the event occurred) during that particular span but if not. 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. id(patid) fail(code==402). measurement was stopped at time t and the case is censored.. the t0 variable might be labeled "Begin" and the t variable labeled "End. the time variable must be declared." There may also be an event (aka status or failure) variable. There are variables t and t0. Command: stset day. t0 is assumed to equal 0. Single-record data with censoring . meaning the period from just after analysis time t0 up to and including time t. died is the event variable (0 or 1. And there would be additional columns for the timevarying and time-fixed covariates. Command: stset t. a country already at war would not be at risk of war. some units of analysis might not have rows for some time periods (ex. day = the time variable (t).  Declaring st data in Stata is the first step in Cox regression in Stata (unless you have ct data. 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). If the id variable is omitted. For instance. years). and bearings.o Counting process data setup . At a bare minimum. Under unusual circumstances. There would also be a column for the risk event (the "censoring indicator"). with 1 = died). If the event variable is zero (failed = 0) for an observation. t is the analysis time at the point of measurement. Command: stset failtime.. There is also a column for the time periods (ex. a t0 variable. 2. Enter the time variable and the failure variable.. For a similar dataset but with an event variable called 'failed' as well as failtime.. is 0. There may also be covariate variables (ex.). Multiple-record data . discussed below). 3. the first year of peace). t). code =  . Single record data . at the point of observation and no failure occurred (ex. t. 1. Each unit of analysis (ex. Examples are from the Stata manual: 0. For a dataset on electric generator lifetimes. and there are covariates also. Declare data to be survival-time data. For instance. meaning we know the generator will fail at some point after t but we do not know when). id(patid) failure(died). Age. If there is no t0 variable. Income). Covariates will be utilized if in the dataset and do not have to be declared. 1981. The t0 variable is assumed to be 0. 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.  Discontinuous risk intervals . For example. coded 0 or 1. In Stata. 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. For a dataset on patients where patid is the patient id. or an event variable. in a study of peace=0. some years) if risk did not exist for those periods." If there is no event variable. Survival Analysis. There are also columns for the start or stop interval number. with the start representing the start of risk and coded 0 (thus start/stop 3. and bearings (another covariate). years from 1980.4 would be the start of the 4th year of risk and the stop would be the end of the 4th year). it is assumed that all observations fail (the event occurs) at time t. states) has an id code and is represented by as many rows of data as there are time periods (ex. For dataset with patid = patient id. There are various variants depending on whether the st data also have an id variable. Setup & Utilities. for each observation. with 1 being the occurrence of the event. In the menu system. Cox regression and related survival analysis is performed on st data. Command: stset failure. war=1. it is assumed all observations pertain to a single subject ("single-record st data").. etc. load (a covariate). where the span is (t0. failure(failed). d. There is an id variable which indicates the subject associated with the given observation. with three variables: failtime (the t or analysis time variable). select Statistics. the event variable d might be labeled "Died" or "Adopted. load..

and the number of new cases added during the given time. 8. Count time data (ct data) is an alternative data format in which each observation is a time. adding the function scale(365. For each time. 4. Sometimes the original time variable must be adjusted not only for a different origin (ex.adday). the original time variable may be in days. The enter() function adds a patient to the analysis only once a record indicates the patient has had the test (code==152). admission to hospital was considered onset of risk. Analysis is done on curday adjusted for adday. That is. For a similar dataset. 6. the original time variable has 0 as the start of measurement. Let hospital code 286 mean "patient undergoes operation. but with different options (ex. So this command is saying day is the time variable. The command stgen will create new covariates as functions of time variables and covariates (ex. That is. The command stsplit will create multiple records out of one record. For instance. a different definition of time origin). Stata also provides a number of additional functions such as enter() and exit() for specifying when an observation is in the sample. That is.. Temporary re-declaration of st data . and after() for conditional inclusion. curday could be a date variable without any change to the command syntax. but the researcher wants years. The Stata command stfill is used to fill in missing values.. create the variable evervoted if for any time period the variable voted=1).25) to the stset command line will rescale the timevar variable as desired. Other functions ." Then for the same dataset as above. so in this example. 7. Let hospital code 152 indicate a patient is given a test. Not discussed here. The origin for a given patient is (curday . 10.. in fact. In Stata. the number of right-censored cases (see below). 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. The default is scale(1)." "multiple records at the same instant. dates may be displayed in date format but are. with error messages for "event time missing. and there are covariates. observations for this patient after the one with code=152 will be in the sample. there are variables for the number known to fail during that time. id(patid) fail(code--402) origina(time adday) enter(code=152). never(). 9. Command: stset curday. and code=402 is equivalent to the event variable = 1. ever(). this command analyzes time from operation until death (code==402). . Other data setup commands . not the onset of risk) using the origin() function. id(patid) fail(code==402) origin(code==286). Error messages . Stata supports the streset command to temporarily re-declare a previously declared st dataset. as by carrying forward covariate values from the first observation. the origin() function converts the time variable into an analysis time variable. Multiple record data recording time rather than t (analysis time) . Scaling time data . where 402 = death. 5.25 days in a year. In the one above. which accepts the time units as originally entered. patid is the id variable. but also there is a need to convert time units using the scale() function. Multiple record dataset with delayed entry of observations . Since there are 365. 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 if(). having an operation is considered the onset of risk in this command syntax. Multiple record data with time from event . Not discussed here. id(patid) fail(code==402) origin(time adday)." and "overlapping records. Stata does a certain amount of data format error-checking. Note: in Stata. 11. integers. 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." among others. The stbase command resets all variables in a multiple-record dataset to the base values in the earliest record for the subject. (Note the actual command must have two equal signs). Command: stset curday." "entry time missing. Command: stset curday.

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

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

David Garson last updated 9/7/2010. 2010 G. A função de sobrevivência é definida por (1) . em um estudo demográfico. ser o desempenho de uma determinada tarefa em uma experiência de aprendizagem em psicologia ou mudança de residência. de regressão de Cox K. 2009. Nós supomos que as observações estão disponíveis no tempo de falha independente indivíduos. Supomos que a distribuição de probabilidade de é descrito por uma função de densidade . Poortema.@c 2006. Estatística Médica e Epidemiologia (153133) Análise de Sobrevivência (semana 02) Hazard / taxas de insucesso. são estudos médicos sobre doenças crônicas e ensaios de vida industrial. Tais eventos são referidos genericamente como falhas que o evento pode. As principais áreas de aplicação. por exemplo. no entanto. Iremos introduzir a função de sobrevivência ea função de risco que caracterizam a distribuição de também. 2008. 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. Deixar ser a variável aleatória não negativo que representa o tempo de falha de um indivíduo arbitrário.

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

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

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

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

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

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 .Temos agora deve investigar se os grupos diferem muito em relação ao tempo de sobrevida. Para a atribuição desta parte do curso de Medicina de Estatística e Epidemiologia um conjunto de dados tem de ser estudada. Diferenças de ano para ano pode ser modelada através da atribuição de efeitos para os níveis (resultados) do Nascimento covariável. 0 para censurados (ainda amamentando) raça da mãe ( branco. não temos de rejeitar a hipótese nula. Os dados estão contidos pelo breastfeeding. Fazendo isso. não) idade da mãe ao nascimento do filho ano de nascimento da criança anos de escolaridade (nível superior) O pré-natal. 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. não) uso de álcool mãe ao nascimento do filho ( sim. outros) mãe em situação de pobreza ( sim. após três meses rd ( sim. Para investigar se há realmente uma diferença entre os dois grupos. não) a mãe fumou no nascimento da criança ( sim. Para os dados da seção 3.557 Exp (B) 0. assumimos que a função de risco para um indivíduo é dada por com o sendo os valores do tratamento variável.345 df 1 Sig. Isso torna um teste equivalente. Isso pode ser feito através da introdução de variáveis de indicadores. Em vez de SPSS apresenta uma Wald Estatística é igual a . Daí o resultado de é .430 Wald 0.777 tratamento Como o fator de podem ser absorvidos pela função de risco de base . A distribuição da estatística de teste é aproximada pela distribuição normal padrão sob a hipótese nula.sav arquivo do sistema SPSS. testamos a hipótese nula contra a hipótese alternativa . nenhum efeito do tratamento pode ser provada (a nível de significância de 5%). 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. preto. Talvez a duração do aleitamento materno é diferente para os bebês de diferentes anos de nascimento. chamamos esse conjunto de dados os dados de amamentação. . Nós aplicamos um modelo de riscos proporcionais com motivos (variável covariável) tratamento. 0. não) Para uma primeira preparação para a atribuição estudamos como a duração depende do Nascimento covariável. De saída. O nascimento covariável é mais uma variável categórica. Há que ter como estatística de teste com sendo a estimativa da e sendo o erro padrão correspondente. Equivalentemente. 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. A hipótese nula é rejeitada se ou . Usando SPSS uma parte da produção é a seguinte: B SE 0. Inspeção do conjunto de dados revela que o resultado do Nascimento covariável intervalos de 78 (representando 1978) para 86. ou se existe realmente um efeito do tratamento. se . vemos e . Nenhuma estimativa para o é dado. Tendo em nível de significância de 5%. rejeitamos se ou .

Usando SPSS o seguinte resultado é obtido. Testando a hipótese nula contra a hipótese alternativa para cada indicador variável nenhuma hipótese nula deve ser rejeitada ao nível de significância de 5%.. Desde o resultado das Wald é 18.669 Na primeira coluna da tabela de parâmetros são indicados. Assim.715 -0.091 0.529 2. De acordo com a fórmula a relação entre os riscos de taxas de nascimento dos anos 78 e 86 é igual a .089 0. B nascimento nascimento (1) nascimento (2) nascimento (3) nascimento (4) nascimento (5) nascimento (6) nascimento (7) nascimento (8) -0.495 0. se o resultado de nascimento é de 79 e em outros lugares.340 Exp (B) 0..947 -0. a relação entre os riscos de taxas de nascimento dos anos 79 e 86 é igual a . . portanto. Em nossos testes problema que temos de rejeitar se Wald (Chi quadrado com df .423 0.703 -0.853 2.911 df 8 1 1 1 1 1 1 1 1 Sig. o nosso modelo..799 -0. não é útil para testar para cada variável indicadora do Nascimento covariável. Nós não damos uma fórmula explícita para a estatística Wald com (aqui) de 8 graus de liberdade.420 0. Usando essas variáveis o indicador de taxa de risco e. pode testar se todos os efeitos do Nascimento covariável são zero.089 0.800 2. o nascimento (1).424 0.707 -0.433 0.094 0. respectivamente.666 -0..388 0. torna-se onde são os valores das variáveis de cada indicador .411 3.019 2.402 SE 0.722 -0. Contudo.514 0. Use SPSS quando você faz as peças A en B desta tarefa.112 0.486 0. pode ser diferente para os conjuntos de dados diferentes. excepto um (verifique isso).421 Wald 18. Concluímos que a distribuição (de) Duração depende do Nascimento covariável.450 0.doc. Acabamos de indicar como trabalhar com ele.890 0.489 0. 0. Vamos testar a hipótese nula contra a hipótese alternativa . 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 0.411 estamos aqui rejeitar a hipótese nula.se o resultado de nascimento é de 78 e em outro lugar. .901 5. para os respectivos resultados da covariável temos agora (possivelmente) diferentes (multiplicativo) e efeitos aqui no ano de nascimento 86 serve como valor de referência. O nível de significância de 5%). Da mesma forma. Em vez de o último valor o primeiro valor pode ser escolhido como valor de referência (categoria ) em SPSS..419 0. se o resultado de nascimento é de 85 e em outros lugares. Os graus de liberdade depende do número de variáveis indicadoras. . Secção 7: Atribuição Antes de começar: consultar o texto do arquivo Sobre SPSS.493 0.419 0.421 0. ao nascer (8). Em vez disso.065 0.406 2..025 0. nascimento (2).

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

Sign up to vote on this title
UsefulNot useful