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.

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

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

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

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

Isso é discutido mais abaixo . mas não diz quanto mais rápido ou mais lento (embora não seja raro na literatura para encontrar a taxa de risco interpretado dessa maneira). no entanto. Interpretando taxas de risco são discutidas abaixo . ea taxa de risco de rolamentos é 0. 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 /. Assim. na seção sobre a produção estatística. Hazard ratios abaixo de 1. isto significa que vai do velho para o novo estilo rolamentos reduziu o risco de o gerador não. maior o perigo.0 indicam que o mais covariável. vai de 0 velho estilo para um novo estilo). quando todas as covariáveis (s) = 0. não poderíamos ter certeza de um nível de confiança de 95% rolamentos que . em um modelo de vida determinado tipo de gerador elétrico ou rolamentos de esferas e dada carga elétrica.  Hazard ratio com covariáveis . se "rolamentos" = 0 para o estilo antigo e rolamentos = 1 para o novo estilo. A taxa de risco indica a probabilidade de um evento que ocorre mais rápido ou mais lento dado alguma covariável (s). A taxa de risco de 0. intervalos de confiança a alta ea baixa na taxa de risco incluíram rolamentos 1. na seção de estatísticas. Hazard ratios acima de 1.Como ilustrado acima.0 indicam que quanto maior a covariância.06.06 é a variação proporcional em perigo quando os rolamentos da variável aumenta em 1 unidade (ou seja. menor o risco. Se. Exemplo. A taxa de risco de base representa o efeito da variável tempo sozinho.0.. controlando a carga.

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

59 aumentar a taxa de risco por um fator de aumento de 2. aqui baselinehc: "stcox VotePct Direitos sizes1 sizes2.1 = 10 = 2.    Para o tempo-invariante covariáveis contínuas. Para covariáveis binário. a taxa de risco é a quantidade a taxa de ocorrência mudanças para uma unidade de mudança no tempodependente da função da covariável. A taxa de risco para nãotempo-variando covariáveis é a quantidade de mudanças no risco da ocorrência de cada unidade de mudança na covariável. se a relação for superior a 1. como abaixo foi gerado com o comando postestimation Stata "stcurve.0. em perigo". controlando para outras variáveis no modelo. a taxa de risco para o sexo = 1 está na comparação com o grupo do género = 0 (ex. Este comando requer o comando stcox antes usar o basehc (opcional) para definir uma variável baseling função de risco. o placebo covariável = 0 / tratamento = 1. o sexo um grupo = É mais provável que incorrer o evento). Dez aumento de anos de idade que corresponde a 1.59% = 159. há um aumento de 5% na taxa de risco da variável evento que está sendo estudada. e uma taxa de risco calculado de 3. Por exemplo. como o sexo. Por exemplo. não de probabilidade) como uma pessoa no grupo placebo de ser curado no incremento da próxima vez.1 para a covariável idade significaria que um aumento de um ano de idade estaria associada com um 0. A taxa de risco de 1.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. uma vez que o evento não curou 0/healed = = 1.0. basehc" (baselinehc).. A taxa de risco de 1.12 significa que há um aumento de 12% na taxa de ocorrência de um aumento de 1 unidade na covariável. Uma vez que a taxa de risco é uma constante. um hazard ratio de 1.05 significa que para um aumento de 1 unidade na covariável.1 (10%) aumento na taxa de risco. podemos também dizer que por uma chance de 3:01 uma . Para variáveis no tempo covariáveis contínuas. Onde a covariável é uma variável dicotômica agrupamento.

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

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

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

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

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

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

também chamado de teste de omnibus ou-2LL ou -2 log verossimilhança.012).  intervalos de confiança.> 0. como ilustrado abaixo. A estatística de pontuação. A taxa de probabilidade quiquadrado e seu significado (Prob) permanecem os mesmos em ambos os programas. então o efeito de covariáveis (s) não pode ser considerado como diferente de zero. que é o exemplo simples usado aqui . que em cada etapa adiciona a variável com o maior número de pontos significativos. o que é significativo ao nível 0. Interpretação do odds ratio é discutida nas seções de análise loglinear e regressão logística . também.224.224 (multiplicar por -2 para conseguir isso). A verossimilhança da -16. seja por razão de probabilidade qui-quadrado ou global (score) do quiquadrado.. A probabilidade estatística -2 log aparece no "-2 log verossimilhança" da tabela do SPSS / SPSS. 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. testes de razão de probabilidade Stepwise aparecer no "modelo de coeficientes tabela 'no SPSS / SPSS. se Sig. o modelo como um todo é importante.05 (o padrão usual da ciência social). No entanto.012. O modelo completo tinha-2LL = 32. o nulo (intercepto-only) modelo tinha-2LL = 45. SPSS / SPSS:. Na figura acima. a pontuação é usado na regressão stepwise Cox no SPSS / SPSS. Se-2LL é significativo. o nível de significância é a mesma (0. qui-quadrado ou total do qui-quadrado) como critério de significância alternativa para o modelo. SPSS / SPSS e alguns outros pacotes de saída também uma estatística escore (aka global.     Comparado com outros testes. as co-variáveis contribuem significativamente para a explicação de dias de duração dos estados.88. Teste da razão de verossimilhança do modelo. Stata: O teste da razão de verossimilhança é gerado pelo comando stcox. Ou seja. que é o modelo de tempo apenas quando todas as covariáveis são 0. Para a ilustração acima. mas o teste da razão de verossimilhança é o teste padrão. Isto significa que pelo menos uma das covariáveis contribui significativamente para a explicação de duração para o evento. até a ratificação da Constituição. Adicionando o Nohr "opção para o comando stcox suprime taxas de risco e causas dos coeficientes de risco correspondente a ser impresso. Ou seja.104. Significa.11219 corresponde ao 2LL em SPSS SPSS saída / de 32. . o modelo é significativamente melhor do que o modelo nulo. um modelo de diferença qui-quadrado de 12.

todas semelhantes e interpretado como na regressão logística . os graus de liberdade (df). então o efeito covariável não pode ser considerado como diferente de zero. se sig (Wald) <0. enquanto os coeficientes negativos correspondem ao risco reduzido. Se Sig. SPSS / SPSS faz isso nas variáveis "na equação" mesa ilustrado abaixo.).05.05 (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. o seu valor de significância de teste de Wald. . por ex. o erro padrão de B (SE). Note-se que o teste 2LL é preferível ao teste de Wald ao testar o modelo global. Ou seja. a pesquisadora conclui que a variável é útil para o modelo. A maioria dos pacotes que as estatísticas mostrem o coeficiente de regressão (B) para cada covariável. coeficientes de regressão positivo significa que o perigo aumenta covariável (uma maior probabilidade de que a morte = 1.> 0. em seguida.

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

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

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

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

(ex. Qualquer que seja o teste escolhido. 0 = não-fumadores ou light. Se uma variável categórica tem dois valores (por exemplo. etc. Gompertz. O eixo Y é risco cumulativo. 0. Wilcoxon dá o teste de Wilcoxon para a igualdade das funções de sobrevivência por sexo. em perigo).0 anos. que também pode ter um "por" parâmetro. com valores médios na covariável (s) a qualquer momento como representado no eixo X. peso nas duas vezes anteriores falha mais fortemente. log-normal. nd).5 anos. mas este teste não é afetado por semelhança ou dissemelhança de censura padrões em grupos.. As curvas representam um indivíduo hipotético (ou qualquer outra unidade de análise). Por exemplo. dando meios covariável (por exemplo. declive parcelas risco cumulativo até esquerda para a direita a partir da origem na esquerda. paramétrica em modelos de sobrevivência Stata. mas Wilcoxon mais. na média do covariável (s). Teste de igualdade das funções de sobrevivência. O padrão de teste de log-rank é apropriado quando a cada tempo de falha deve ser dado o mesmo peso. a função de risco estimada (gráfico r. o teste de Cox da igualdade. Ou seja. O teste Peto-Prentice-Peto é apropriado quando as funções de risco são assumidos como nãoproporcional entre os grupos. ou escore médio de produtividade em um estudo de promoções). com base em uma análise previamente calculado com o comando stcox. obtém-se um valor de qui-quadrado eo significado para esse valor. a idade média em um estudo das mortes por doença. 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. mas os padrões de censura são semelhantes entre os grupos. por grupo. Stata. O número máximo de grupos é de 800. em seguida. utilizando o comando teste sts. permitindo a comparação. o comando StrEG suporta modelos de sobrevivência que não seja o modelo de risco proporcional de Cox.  SPSS / SPSS: Como discutido acima. e mais . de (droga) vai dar uma parcela de função para a droga e droga = 0 = 1 se droga tem dois valores). os grupos diferem significativamente pela função de sobrevivência. Linhas da tabela são os intervalos de tempo (ex. Weibull. supondo que um comando stcox já executado. 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. O teste de Wilcoxon pesos. A produção destes modelos ainda contém um teste de verossimilhança do modelo como um todo. log-logístico. o Nelson-Aalen função de risco cumulativa (gráfico st. o "Quadro de sobrevivência" na saída de SPSS SPSS / contém a linha de base e previu taxas de risco. o teste de FlemingHarrington generalizada da igualdade).  sobrevivência. 1 = tabagismo pesado). o "por" parâmetro permite a comparação de sobrevivência ou de funções entre os diferentes níveis de perigo de uma covariável discretos. como quando o pesquisador acredita que as funções de risco são proporcionais entre os grupos. o teste Peto-Prentice-Peto de igualdade). As tarifas são apresentadas de uma pessoa hipotética escores que. 1.5 anos. este pode ser realizado com a lista sts comando. o comando sts género de ensaio.) SPSS / SPSS gera uma média "de covariáveis tabela".05. Se alguém quiser sobrevivência ou de perigo funções como uma tabela em vez de um gráfico. o gráfico irá exibir curvas duas ou mais funções. realiza um teste de log-rank (o padrão) ou testes alternativos (o de Wilcoxon (Breslow) teste de diferenças nas funções de sobrevivência. gráfico de r. Se o valor da significância (p) é = <0. o teste Tarone-Ware da igualdade .  Stata: No Stata. A curva (s) mostrar como os aumentos de risco acumulado ao longo do tempo para tais indivíduos hipotéticos. Estes são a exponencial. 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. Se o "por" parâmetro é adicionado. o comando gráfico sts gera gráficos das funções-Meier de sobrevida Kaplan (gráfico r). 1. uma para cada valor da variável. . as taxas de risco para as co-variáveis. e os modelos da gama. então haverá uma parcela de risco cumulativo para cada valor. 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.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

24 e 32. Assim. existem variáveis explicativas sobre a qual pode depender tempo de falha. Tempo de sobrevivência considerarmos o número de pessoas ainda vivas. Para o grupo de tratamento com esses tempos são 6. função esta etapa somente as mudanças no tempo de sobrevida com um resultado positivo . algumas vezes chamado o número de risco. Para a estimativa do usamos o estimador de Kaplan Meier. A parcela correspondente do grupo de controle é a seguinte. . Vamos determinar as estimativas para o grupo de tratamento. 12. A probabilidade é então estimado pela (13) onde é o número de indivíduos. A primeira entrada (3 +) do grupo controle significa que o paciente deixou o estudo. Cada fator no estimador de Kaplan Meier representa uma menos uma taxa de risco calculado. Após a recepção do estimador de Kaplan Meier. 10.12 + Aqui + significa censura. A estimativa da Fórmula (13) é o produto de fatores . de um grupo homogêneo de pacientes são representados por . Secção 4: Os modelos de regressão Na seção 2 distribuições de sobrevivência foram introduzidas diversas para a modelagem da experiência de sobrevivência de uma população homogênea. Para um dado valor encontrar o maior valor de tal forma que . a probabilidade de sobreviver condional é estimado de forma direta pela . obtemos (14) para (15) para (16) para (17) para para A estimativa Kaplan Meier é apenas um passo função. parcela seguinte é um gráfico da estimativa da função de sobrevivência do grupo de tratamento. depois de meses de sobrevida 3. torna-se interessante considerar generalizações destes modelos a ter em conta as informações de variáveis explicativas. Então. Assim. o tempo de sobrevivência correspondente é conhecido por ser superior a 3 meses. Para o grupo de tratamento que deve estimar a função de sobrevivência . este é o número . 3 (meses) é o tempo de censura do paciente. no entanto. pouco antes do tempo vivo (O dia k ordenou o tempo de sobrevivência) e denota o número de pessoas que morreram na hora . Normalmente. incluindo observações censuradas. Suponha que os tempos de sobrevivência. também chamado de estimador produto limite. Recebemos para . Para observações censuradas 1 + 5 + e esses fatores é igual a 1. Nós assumimos que os tempos de sobrevivência (pacientes) já estão ordenados de tal forma que .

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

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

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

Assim... Usando essas variáveis o indicador de taxa de risco e.402 SE 0. .901 5.493 0. Use SPSS quando você faz as peças A en B desta tarefa.421 Wald 18.669 Na primeira coluna da tabela de parâmetros são indicados. Usando SPSS o seguinte resultado é obtido.025 0. 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. portanto. se o resultado de nascimento é de 85 e em outros lugares. Testando a hipótese nula contra a hipótese alternativa para cada indicador variável nenhuma hipótese nula deve ser rejeitada ao nível de significância de 5%. Os graus de liberdade depende do número de variáveis indicadoras. nascimento (2).911 df 8 1 1 1 1 1 1 1 1 Sig.529 2.489 0...424 0. Nós não damos uma fórmula explícita para a estatística Wald com (aqui) de 8 graus de liberdade. pode ser diferente para os conjuntos de dados diferentes.421 0..433 0. Em nossos testes problema que temos de rejeitar se Wald (Chi quadrado com df . Desde o resultado das Wald é 18.419 0. Vamos testar a hipótese nula contra a hipótese alternativa .666 -0. não é útil para testar para cada variável indicadora do Nascimento covariável.se o resultado de nascimento é de 78 e em outro lugar.doc.091 0.722 -0. se o resultado de nascimento é de 79 e em outros lugares. a relação entre os riscos de taxas de nascimento dos anos 79 e 86 é igual a .388 0.890 0. respectivamente.018 0.703 -0.411 estamos aqui rejeitar a hipótese nula.112 0.419 0.495 0.853 2. . Em vez disso. excepto um (verifique isso).065 0..707 -0. o nascimento (1).800 2. Em vez de o último valor o primeiro valor pode ser escolhido como valor de referência (categoria ) em SPSS. De acordo com a fórmula a relação entre os riscos de taxas de nascimento dos anos 78 e 86 é igual a .411 3.089 0.450 0.947 -0.019 2.799 -0. para os respectivos resultados da covariável temos agora (possivelmente) diferentes (multiplicativo) e efeitos aqui no ano de nascimento 86 serve como valor de referência. Concluímos que a distribuição (de) Duração depende do Nascimento covariável. Secção 7: Atribuição Antes de começar: consultar o texto do arquivo Sobre SPSS. ao nascer (8). O nível de significância de 5%). . torna-se onde são os valores das variáveis de cada indicador . pode testar se todos os efeitos do Nascimento covariável são zero.420 0.340 Exp (B) 0. Contudo.094 0. B nascimento nascimento (1) nascimento (2) nascimento (3) nascimento (4) nascimento (5) nascimento (6) nascimento (7) nascimento (8) -0.486 0.423 0.715 -0. o nosso modelo.514 0.406 2. Acabamos de indicar como trabalhar com ele. 0. Da mesma forma.089 0.

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