分享

你分得清么?线性回归、logistic回归、COX回归!

 井里的怪兽 2019-07-15
Cox比例风险回归模型

    医学研究中,经典的研究方法如logistic回归,在评价自变量的效应时只考虑终点事件的出现与否,即结局的好坏但有些疾病如恶性肿瘤、慢性病或其他情况随访研究中,有时只考虑结局好坏不够全面还需考虑观察对象出现某种结局所经历的时间长短

    logistic回归

生存结局(分类变量应变量,仅考虑结局的好坏(死亡或生存)[因变量为分类变量],而未考虑出现该结局的时间长短,无论死亡发生在随访早期或晚期,对他们的处理均相同。

    多重线性回归

生存时间(定量变量)应变量,虽能考虑生存时间,但生存时间一般不呈正态分布,并且传统线性回归不能有效利用删失数据因此传统分析方法不能同时处理生存结局和生存时间,也不能处理删失数据,而生存分析方法可以巧妙地解决这两个问题。

    生存资料的多因素分析(cox回归)

目前对生存资料的多因素分析最常用的方法是 COX比例风险回归模型,简称cox模型

  1. 该模型以终点事件的出现与否(分类)出现终点事件所经历的时间(定量)应变量
  2. 分析多个因素对生存时间的影响,
  3. 可分析带有删失数据的资料
  4. 不要求估计资料的分布类型

但应注意,虽然cox模型可以分析删失的生存时间,但在观察时应尽量避免观察对象的失访,删失比例过大,偏倚加速增大

cox模型分析时样本含量不宜过小,要有一定的死亡例数,样本量要求为观察 协 变 量 的 5~20 倍

COX回归其自变量Xi同logistic回归,其模型表达式为:

h(t)=h0(t)exp(β1X1 +β2X2 +…+βmXm )式中,h0(t)为t的未知函数,即 x1= x2=…=xm=0时t时刻的风险函数,称为基准风险函数;

Xi 为自变量又称为协变量,h(t)为具有各协变量 Xi 的个体在t时刻的风险函数,表示t时刻存活的个体在t时刻的瞬时病死率。βi 为各协变量所对应的回归系数,βi 的估计需借助部分似然理 论,由 统计软件完成。βi 的意义为:固定其他自变量后,Xi 增 加 一 个单位,相对风险危险度的自然对数的改变量。

    当βi >0时,RRi >1,说 明 Xi 增 加 时,风 险 函 数 增 加,即 Xi 为危险因素;当βi <0时,RRi <1,说明 Xi 增加时,风险函数下降,即 Xi 为保护 因 素;当βi =0时,RRi =1,说 明Xi 增加时,风险函数不变,即 Xi 为危险无关因素。

    Cox回归尽管应用广 泛,但也不是说任何生存数据都可以用它来 分 析。它有一个重要的 前提假设,即 等 比 例 风 险,它表示某因素对生存的影响在任何时间都是相同的,不随时间的变化而变化。如 某 基 因 对 肿 瘤的影响,不管是第一年、第 二 年……,对 肿 瘤 的 危 险 都 是 相 同的。只有满足这一条 件,才 能 应 用 Cox回 归,所 以 Cox回 归有时也称之为 Cox比例风险模型。

    本站是提供个人知识管理的网络存储空间,所有内容均由用户发布,不代表本站观点。请注意甄别内容中的联系方式、诱导购买等信息,谨防诈骗。如发现有害或侵权内容,请点击一键举报。
    转藏 分享 献花(0

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多