Regressão de Cox

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

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

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

Termos e Conceitos Fundamentais
o

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

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

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

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

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

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

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

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

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

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

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

A taxa de risco de 1.1 (10%) aumento na taxa de risco. como abaixo foi gerado com o comando postestimation Stata "stcurve. A taxa de risco para nãotempo-variando covariáveis é a quantidade de mudanças no risco da ocorrência de cada unidade de mudança na covariável. e uma taxa de risco calculado de 3. Para variáveis no tempo covariáveis contínuas. podemos também dizer que por uma chance de 3:01 uma . Por exemplo.12 significa que há um aumento de 12% na taxa de ocorrência de um aumento de 1 unidade na covariável. podemos dizer que uma pessoa no grupo de tratamento que sobreviveu a um determinado momento tem três vezes mais chances (odds sentido.59% = 159. Uma vez que a taxa de risco é uma constante. Para covariáveis binário. o sexo um grupo = É mais provável que incorrer o evento). a taxa de risco para o sexo = 1 está na comparação com o grupo do género = 0 (ex. a taxa de risco é a quantidade a taxa de ocorrência mudanças para uma unidade de mudança no tempodependente da função da covariável.. como o sexo. uma vez que o evento não curou 0/healed = = 1. Por exemplo. se a relação for superior a 1.0. não de probabilidade) como uma pessoa no grupo placebo de ser curado no incremento da próxima vez. aqui baselinehc: "stcox VotePct Direitos sizes1 sizes2.05 significa que para um aumento de 1 unidade na covariável. A taxa de risco de 1.    Para o tempo-invariante covariáveis contínuas.1 para a covariável idade significaria que um aumento de um ano de idade estaria associada com um 0.59 aumentar a taxa de risco por um fator de aumento de 2. Este comando requer o comando stcox antes usar o basehc (opcional) para definir uma variável baseling função de risco. há um aumento de 5% na taxa de risco da variável evento que está sendo estudada. em perigo".1 = 10 = 2.0.Compare isso com o gráfico da função de risco em si (não cumulativo). o placebo covariável = 0 / tratamento = 1. um hazard ratio de 1. Onde a covariável é uma variável dicotômica agrupamento. Dez aumento de anos de idade que corresponde a 1. basehc" (baselinehc). controlando para outras variáveis no modelo.

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

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

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

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

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

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

que é o exemplo simples usado aqui . Ou seja. então o efeito de covariáveis (s) não pode ser considerado como diferente de zero. Adicionando o Nohr "opção para o comando stcox suprime taxas de risco e causas dos coeficientes de risco correspondente a ser impresso. o nulo (intercepto-only) modelo tinha-2LL = 45. Interpretação do odds ratio é discutida nas seções de análise loglinear e regressão logística .012. qui-quadrado ou total do qui-quadrado) como critério de significância alternativa para o modelo. Isto significa que pelo menos uma das covariáveis contribui significativamente para a explicação de duração para o evento. A taxa de probabilidade quiquadrado e seu significado (Prob) permanecem os mesmos em ambos os programas. o que é significativo ao nível 0. mas o teste da razão de verossimilhança é o teste padrão.> 0. Teste da razão de verossimilhança do modelo. O modelo completo tinha-2LL = 32. Ou seja.     Comparado com outros testes. .  intervalos de confiança. que é o modelo de tempo apenas quando todas as covariáveis são 0. se Sig. como ilustrado abaixo. até a ratificação da Constituição. A estatística de pontuação. Para a ilustração acima. A probabilidade estatística -2 log aparece no "-2 log verossimilhança" da tabela do SPSS / SPSS. a pontuação é usado na regressão stepwise Cox no SPSS / SPSS. testes de razão de probabilidade Stepwise aparecer no "modelo de coeficientes tabela 'no SPSS / SPSS.88.224. No entanto. seja por razão de probabilidade qui-quadrado ou global (score) do quiquadrado. o modelo como um todo é importante. 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. A verossimilhança da -16.224 (multiplicar por -2 para conseguir isso). que em cada etapa adiciona a variável com o maior número de pontos significativos.. Significa. as co-variáveis contribuem significativamente para a explicação de dias de duração dos estados. um modelo de diferença qui-quadrado de 12.11219 corresponde ao 2LL em SPSS SPSS saída / de 32. Stata: O teste da razão de verossimilhança é gerado pelo comando stcox. também. o nível de significância é a mesma (0.05 (o padrão usual da ciência social). Se-2LL é significativo. também chamado de teste de omnibus ou-2LL ou -2 log verossimilhança. SPSS / SPSS:. SPSS / SPSS e alguns outros pacotes de saída também uma estatística escore (aka global. o modelo é significativamente melhor do que o modelo nulo.104.012). Na figura acima.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

the time variable must be declared. Covariates will be utilized if in the dataset and do not have to be declared. t is the analysis time at the point of measurement. Single record data . where d=1 if the observation failed (the event occurred) during that particular span but if not. For a dataset on patients where patid is the patient id. failtime is the time. coded 0 or 1. For dataset with patid = patient id. And there would be additional columns for the timevarying and time-fixed covariates. t). For instance. Each unit of analysis (ex. for each observation. and bearings (another covariate). meaning the period from just after analysis time t0 up to and including time t. measurement was stopped at time t and the case is censored.. etc. There are various variants depending on whether the st data also have an id variable. Failure is assumed to occur at time = failtime. where the span is (t0. and there are covariates also. There would also be a column for the risk event (the "censoring indicator"). In Stata. code =  . with 1 = died). 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).. The t0 variable is assumed to be 0. Survival Analysis. a t0 variable. and bearings. Examples are from the Stata manual: 0. 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.  Discontinuous risk intervals . load (a covariate).. t. id(patid) fail(code==402). Enter the time variable and the failure variable. There are variables t and t0. For example. with 1 being the occurrence of the event. select Statistics. at the point of observation and no failure occurred (ex. Command: stset day.  Declaring st data in Stata is the first step in Cox regression in Stata (unless you have ct data. Command: stset t. In the menu system. For instance. 1. with three variables: failtime (the t or analysis time variable). There may also be covariate variables (ex. If the id variable is omitted. For a similar dataset but with an event variable called 'failed' as well as failtime. If there is no t0 variable. the first year of peace). meaning we know the generator will fail at some point after t but we do not know when). the t0 variable might be labeled "Begin" and the t variable labeled "End.). There is an id variable which indicates the subject associated with the given observation. Command: stset failure. in a study of peace=0. t0 is assumed to equal 0. The stset command declares the researcher's data format. with the start representing the start of risk and coded 0 (thus start/stop 3. years from 1980. Declare data to be survival-time data. a country already at war would not be at risk of war. it is assumed that all observations fail (the event occurs) at time t. Cox regression and related survival analysis is performed on st data. Income).. Multiple-record data with multiple events . Age. load. There are also columns for the start or stop interval number. Under unusual circumstances. some years) if risk did not exist for those periods. it is assumed all observations pertain to a single subject ("single-record st data"). the event variable d might be labeled "Died" or "Adopted. 1981. is 0. For a dataset on electric generator lifetimes.. 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. 3. states) has an id code and is represented by as many rows of data as there are time periods (ex.. d. some units of analysis might not have rows for some time periods (ex." If there is no event variable. died is the event variable (0 or 1.4 would be the start of the 4th year of risk and the stop would be the end of the 4th year). Setup & Utilities.o Counting process data setup . Multiple-record data . years). id(patid) failure(died). war=1. Single-record data with censoring . failure(failed). discussed below). There is also a column for the time periods (ex. or an event variable. accomplished with the stset command. If the event variable is zero (failed = 0) for an observation. 2." There may also be an event (aka status or failure) variable. 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. Command: stset failtime. At a bare minimum. day = the time variable (t).

which accepts the time units as originally entered. there are variables for the number known to fail during that time. In Stata.. the original time variable may be in days. Analysis is done on curday adjusted for adday. Temporary re-declaration of st data . Let hospital code 152 indicate a patient is given a test. id(patid) fail(code--402) origina(time adday) enter(code=152).. with error messages for "event time missing. The command stgen will create new covariates as functions of time variables and covariates (ex. ever(). observations for this patient after the one with code=152 will be in the sample. 7. but with different options (ex.adday). That is. and code=402 is equivalent to the event variable = 1. and there are covariates. 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. 11. So this command is saying day is the time variable. The Stata command stfill is used to fill in missing values. 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). but the researcher wants years. create the variable evervoted if for any time period the variable voted=1). Let hospital code 286 mean "patient undergoes operation. the number of right-censored cases (see below). in fact. id(patid) fail(code==402) origin(time adday). The stbase command resets all variables in a multiple-record dataset to the base values in the earliest record for the subject. as by carrying forward covariate values from the first observation. Multiple record data recording time rather than t (analysis time) . For instance. 6.25) to the stset command line will rescale the timevar variable as desired. never(). Scaling time data . adding the function scale(365. patid is the id variable.25 days in a year. Error messages . That is. In the one above. Other functions . Command: stset curday. Other data setup commands . the origin() function converts the time variable into an analysis time variable. where 402 = death. having an operation is considered the onset of risk in this command syntax." Then for the same dataset as above. and after() for conditional inclusion. The default is scale(1). Not discussed here. not the onset of risk) using the origin() function. Multiple record data with time from event . hospital patient status codes. but also there is a need to convert time units using the scale() function. Command: stset curday. . For each time. Stata supports the streset command to temporarily re-declare a previously declared st dataset. For a similar dataset. (Note the actual command must have two equal signs). 10. and if(). The command stsplit will create multiple records out of one record. 9. The origin for a given patient is (curday . Count time data (ct data) is an alternative data format in which each observation is a time. Note: in Stata." "multiple records at the same instant. Sometimes the original time variable must be adjusted not only for a different origin (ex. 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. 4. a different definition of time origin)." and "overlapping records. Since there are 365. Not discussed here. Command: stset curday. and the number of new cases added during the given time. id(patid) fail(code==402) origin(code==286). The enter() function adds a patient to the analysis only once a record indicates the patient has had the test (code==152). Stata does a certain amount of data format error-checking. Stata also provides a number of additional functions such as enter() and exit() for specifying when an observation is in the sample." among others. admission to hospital was considered onset of risk. dates may be displayed in date format but are. this command analyzes time from operation until death (code==402)." "entry time missing. 5. the original time variable has 0 as the start of measurement. Multiple record dataset with delayed entry of observations .. curday could be a date variable without any change to the command syntax. That is. integers. so in this example. 8.

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

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

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

A distribuição de é especificado como também pela função de sobrevivência . (Nota para cada número no caso de uma função de densidade).e é igual a . Esta função risco é monótona decrescente para É monótona crescente para e reduz a uma constante. O parâmetro de uma distribuição exponencial é obtida para tendo a função de ser um perigo constante: (Com . se . 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 função de risco especifica a taxa instantânea de falha em sobrevivência em condicional ao tempo e é definida pelo limite de da seguinte proporção: (2) Tomado esse limite obtemos (3) . apresentamos uma série de modelos de distribuição de . 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 . Onde é a distribuição cumulativa de . Isso produz os dois parâmetros da distribuição Weibull com função de risco (8) . 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 . Isso é conhecido como a propriedade sem memória da distribuição exponencial. 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. A trama deve dar cerca de uma linha reta. Desde a função de distribuição cumulativa especifica a distribuição de . Assim. Daí e siga com bastante facilidade. . Essa parcela deverá aproximar de uma reta passando pela origem como se pode concluir a partir de (7). A distribuição dos é especificado por sua função de risco.

há direito a censura. Originalmente. 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.Em geral. Existem várias razões para censurar. a distribuição de uma falha ou tempo de sobrevivência é a inclinação. Os tempos de sobrevivência (meses) de dois grupos de tratamento são os seguintes. onde é a conhecida gama de funções muito bem: ( ). Control ( Tratamento ( ) 3+ 6 6 6 6 8 8 12 12 12 + 15 + 16 + 18 + 18 + 20 22 + 24 28 + 28 + 28 + 30 30 + 33 + 42 ácido linoléico. Uma característica comum de dados de sobrevivência é censura. Estudamos a sobrevivência de 49 pacientes com câncer colorretal Dukes'C. chamado censurar o tempo. Para a densidade (11) se reduz a densidade da distribuição exponencial. isso significa que a falha exata tempos de um certo número de indivíduos não são conhecidos. mas a análise de sobrevivência é aplicável a muitas áreas. daí o nome. a nota . então isso significa que tem uma distribuição normal. são perdidos de seguimento. para citar alguns: Alguns pacientes podem ter deixado o estudo inicial. A distribuição gama pode ser considerada como uma outra generalização da distribuição exponencial. Seção 3: Estimador de Kaplan Meier A análise de sobrevivência está preocupado em estudar o tempo entre a entrada de um estudo e um evento posterior. Neste texto. Para estes uma falha desconhecida vezes só se sabe que o tempo de falha superior a um valor conhecido. Se tem uma distribuição lognormal. 1+ 5+ 6 6 9+ 10 10 10 + 12 12 12 12 13 + 15 + 16 + 20 + 24 24 + 27 + 32 34 + 36 + 36 + 44 + . a análise estava preocupado com o tempo até à morte. bem como a mortalidade. descrito por expectativa e uma variância . o que significa que algumas vezes o fracasso não são conhecidas. consideramos apenas a censura à direita. Exemplos: a emigração. a sua função densidade é . Skew distribuições podem ser modelados por meio de uma distribuição lognormal ou uma distribuição gama tão bem. Além disso. vamos supor que o processo de censura é independente do processo que pretende estudar.

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

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

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

Nenhuma estimativa para o é dado. 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. Para a atribuição desta parte do curso de Medicina de Estatística e Epidemiologia um conjunto de dados tem de ser estudada. ou se existe realmente um efeito do tratamento. assumimos que a função de risco para um indivíduo é dada por com o sendo os valores do tratamento variável.sav arquivo do sistema SPSS. Inspeção do conjunto de dados revela que o resultado do Nascimento covariável intervalos de 78 (representando 1978) para 86.777 tratamento Como o fator de podem ser absorvidos pela função de risco de base . A distribuição da estatística de teste é aproximada pela distribuição normal padrão sob a hipótese nula. Fazendo isso. após três meses rd ( sim. A amamentação dados aos dados relativos aos 925 primeiros filhos nascidos cujas mães escolheram para o aleitamento materno. Diferenças de ano para ano pode ser modelada através da atribuição de efeitos para os níveis (resultados) do Nascimento covariável. não) uso de álcool mãe ao nascimento do filho ( sim. chamamos esse conjunto de dados os dados de amamentação. não) idade da mãe ao nascimento do filho ano de nascimento da criança anos de escolaridade (nível superior) O pré-natal. . Isso pode ser feito através da introdução de variáveis de indicadores. Usando SPSS uma parte da produção é a seguinte: B SE 0. Isso torna um teste equivalente. não temos de rejeitar a hipótese nula. 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 . 0. rejeitamos se ou . No caso dos dados de aleitamento materno nos introduzir variáveis indicadoras para o nascimento covariável definidos como segue: . O nascimento covariável é mais uma variável categórica.345 df 1 Sig. Os dados estão contidos pelo breastfeeding. Equivalentemente. Para os dados da seção 3. testamos a hipótese nula contra a hipótese alternativa . Há que ter como estatística de teste com sendo a estimativa da e sendo o erro padrão correspondente. vemos e .430 Wald 0. 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. Em vez de SPSS apresenta uma Wald Estatística é igual a .Temos agora deve investigar se os grupos diferem muito em relação ao tempo de sobrevida. Nós aplicamos um modelo de riscos proporcionais com motivos (variável covariável) tratamento.557 Exp (B) 0. não) Para uma primeira preparação para a atribuição estudamos como a duração depende do Nascimento covariável. Talvez a duração do aleitamento materno é diferente para os bebês de diferentes anos de nascimento. Para investigar se há realmente uma diferença entre os dois grupos. não) a mãe fumou no nascimento da criança ( sim. nenhum efeito do tratamento pode ser provada (a nível de significância de 5%). De saída. preto. 0 para censurados (ainda amamentando) raça da mãe ( branco. outros) mãe em situação de pobreza ( sim. Tendo em nível de significância de 5%. se . A hipótese nula é rejeitada se ou . Daí o resultado de é .

pode testar se todos os efeitos do Nascimento covariável são zero.529 2. Vamos testar a hipótese nula contra a hipótese alternativa .089 0. Da mesma forma.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.947 -0.091 0. .019 2.489 0. Nós não damos uma fórmula explícita para a estatística Wald com (aqui) de 8 graus de liberdade.406 2. Em vez de o último valor o primeiro valor pode ser escolhido como valor de referência (categoria ) em SPSS. excepto um (verifique isso). Usando essas variáveis o indicador de taxa de risco e.433 0. .419 0.065 0.707 -0..112 0. se o resultado de nascimento é de 85 e em outros lugares. para os respectivos resultados da covariável temos agora (possivelmente) diferentes (multiplicativo) e efeitos aqui no ano de nascimento 86 serve como valor de referência.666 -0. O nível de significância de 5%).514 0. Concluímos que a distribuição (de) Duração depende do Nascimento covariável.se o resultado de nascimento é de 78 e em outro lugar.421 0.450 0.669 Na primeira coluna da tabela de parâmetros são indicados.. o nosso modelo. Em nossos testes problema que temos de rejeitar se Wald (Chi quadrado com df . B nascimento nascimento (1) nascimento (2) nascimento (3) nascimento (4) nascimento (5) nascimento (6) nascimento (7) nascimento (8) -0.901 5.411 estamos aqui rejeitar a hipótese nula.800 2. Assim. torna-se onde são os valores das variáveis de cada indicador . Use SPSS quando você faz as peças A en B desta tarefa. não é útil para testar para cada variável indicadora do Nascimento covariável... a relação entre os riscos de taxas de nascimento dos anos 79 e 86 é igual a .424 0. Secção 7: Atribuição Antes de começar: consultar o texto do arquivo Sobre SPSS.. .388 0.421 Wald 18. 0. Os graus de liberdade depende do número de variáveis indicadoras.493 0. nascimento (2).715 -0.. Acabamos de indicar como trabalhar com ele. Contudo.722 -0.486 0. ao nascer (8).890 0.420 0. Usando SPSS o seguinte resultado é obtido.423 0.094 0. Em vez disso.018 0. se o resultado de nascimento é de 79 e em outros lugares. portanto.340 Exp (B) 0. De acordo com a fórmula a relação entre os riscos de taxas de nascimento dos anos 78 e 86 é igual a .799 -0.495 0.419 0.089 0. Desde o resultado das Wald é 18.853 2.411 3. Testando a hipótese nula contra a hipótese alternativa para cada indicador variável nenhuma hipótese nula deve ser rejeitada ao nível de significância de 5%.doc. pode ser diferente para os conjuntos de dados diferentes.911 df 8 1 1 1 1 1 1 1 1 Sig. o nascimento (1).703 -0. respectivamente.402 SE 0.

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

Sign up to vote on this title
UsefulNot useful