§13.4 Cox w/Time-Dep Cov过程
Cox w/Time-Dep Cov过程应用于:
1. 在建立Cox回归方程时,风险比例可能会随时间变化而变化,即有些危险因素作用的强度随时间而变化,这样的资料是不适合前面所讲的一般的Cox回归模型的。此时,就应改为时间依存协变量模型,也称为非比例风险模型。你可把所怀疑的那个协变量及时间变量T_定义成时间依存协变量(多个协变量时就必须用编程来做了),常用的方法是把它们简单地进行相乘,然后通过对时间依存协变量系数的显著性检验来判断比例风险是否合理。
2. 用到Cox w/Time-Dep Cov过程的另一种情况是:有些变量虽然在不同的时间点取不同的值但与时间并非系统地相关,在这种情况下,需用逻辑表达式定义一个分段时间依存协变量,逻辑表达式取值1时为真,取0时为假。用一系列的逻辑表达式,你可以从一系列观测记录中建立自己的时间依存变量。例如:对病人血压每周观察一次,共观察4次,(变量名为BP1至BP4)。时间依存协变量可以这样定义:(T_ < 1) * BP1 + (T_ >= 1 & T_ < 2) * BP2 + (T_ >= 2 & T_ < 3) * BP3 + (T_ >= 3 & T_ < 4) * BP4(&表示“逻辑与”,即一般编程语言中的“AND”)。请注意括号中的值只能有一个取1,而其它的值只能取0,也就是说,这个函数意味着当时间小于一周时(此时第一个括号内取值为1,而其它括号内取值为0)使用BP1的值,大于一周而小于两周时使用BP2的值,依次类推。
下面请大家跟我一起看例子。因我到处找不到例子,所以我自己编了一个(因此我在此仅列出3例)。
例13.4 27名高血压病人共测了4次血压,计算高血压对生存时间的影响。
编号 |
BP1 |
BP2 |
BP3 |
BP4 |
生存时间 |
状态 |
1 |
93 |
97 |
102 |
133 |
55 |
0 |
2 |
111 |
164 |
91 |
149 |
36 |
1 |
3 |
111 |
173 |
129 |
123 |
7 |
1 |
13.4.1 界面说明
图14 构造时间依存变量对话框
【Expression for T_cov_】框:
左边的框中列出了数据库中的所有变量,以供构造时间依存变量用,其中的T_是系统提供的时间变量。可以用右边的各个键和SPSS提供的各种函数构造时间依存变量;也可以在右边的Expression for T_cov_框中直接输入时间依存变量的表达式。时间依存变量的表的是构造完以后,击Model钮,出现下面的对话框。
图15 定义模型对话框
对话框左边是数据库中出现的变量名。在【Time】中输入生存时间变量Time;【Status】中输入状态变量status;【Covariates】中输入时间依存变量T_COV_。因本例无其它协变量,如有别的不随时间变化的协变量,一并输入Covariates框中。
对话框中的其他选项均在Cox模型中介绍过,这里就不再罗嗦了。
13.4.2 结果解释
Cox Regression
上表输出总例数、删失例数、失访例数。
Block 0: Beginning Block
模型拟合迭代过程,可不管它。
Block1: Method = Enter
整个方程检验无统计学意义,χ2=1.702,υ=1,P=0.192。
输出方程中协变量的系数、标准误、Wald卡方值、自由度、P值、OR值。
输出协变量均数。
说明:
1. 对于分段时间依存协变量,有缺失值的病例将不能被分析。因此,你必须保证所有病例每个时间点均有协变量值。虽然这些值在分析中用不到,但它们能有效地防止这些病例被丢掉。例如,以上面规定的时间依存协变量为例,假使一个病例在第二周时终检,但它的BP3及BP4值仍必须有,可以取0或其它值,这个无关紧要,因为它们在统计分析中并不用到。
2. 那位又说了,既然寿命表法和Kaplan-Meier法都可以计算累积生存函数和风险函数,那么它们之间有什么差别呢?区别就在于寿命表法是生存时间分为许多时间段进行分析计算的,适用于大样本资料;而Kaplan-Meier法是计算每一终止事件发生时的生存率,适用于小样本资料。
|