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

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

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

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

na seção de estatísticas. na seção sobre a produção estatística.. A taxa de risco de 0. vai de 0 velho estilo para um novo estilo).0. A taxa de risco de base representa o efeito da variável tempo sozinho.06 é a variação proporcional em perigo quando os rolamentos da variável aumenta em 1 unidade (ou seja. não poderíamos ter certeza de um nível de confiança de 95% rolamentos que . no entanto. maior o perigo. 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 /. ea taxa de risco de rolamentos é 0. A taxa de risco indica a probabilidade de um evento que ocorre mais rápido ou mais lento dado alguma covariável (s). menor o risco. controlando a carga. Isso é discutido mais abaixo .06. Hazard ratios acima de 1.0 indicam que quanto maior a covariância. isto significa que vai do velho para o novo estilo rolamentos reduziu o risco de o gerador não. em um modelo de vida determinado tipo de gerador elétrico ou rolamentos de esferas e dada carga elétrica. Assim. Interpretando taxas de risco são discutidas abaixo .  Hazard ratio com covariáveis . Exemplo.Como ilustrado acima. Se. Hazard ratios abaixo de 1. mas não diz quanto mais rápido ou mais lento (embora não seja raro na literatura para encontrar a taxa de risco interpretado dessa maneira).0 indicam que o mais covariável. intervalos de confiança a alta ea baixa na taxa de risco incluíram rolamentos 1. quando todas as covariáveis (s) = 0. se "rolamentos" = 0 para o estilo antigo e rolamentos = 1 para o novo estilo.

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

59 aumentar a taxa de risco por um fator de aumento de 2.12 significa que há um aumento de 12% na taxa de ocorrência de um aumento de 1 unidade na covariável. a taxa de risco para o sexo = 1 está na comparação com o grupo do género = 0 (ex. A taxa de risco de 1.1 (10%) aumento na taxa de risco.0. podemos dizer que uma pessoa no grupo de tratamento que sobreviveu a um determinado momento tem três vezes mais chances (odds sentido. uma vez que o evento não curou 0/healed = = 1. Onde a covariável é uma variável dicotômica agrupamento. Por exemplo. Para covariáveis binário. Este comando requer o comando stcox antes usar o basehc (opcional) para definir uma variável baseling função de risco. basehc" (baselinehc). e uma taxa de risco calculado de 3. Uma vez que a taxa de risco é uma constante. o sexo um grupo = É mais provável que incorrer o evento).0. o placebo covariável = 0 / tratamento = 1.Compare isso com o gráfico da função de risco em si (não cumulativo).59% = 159. um hazard ratio de 1.1 = 10 = 2.. A taxa de risco para nãotempo-variando covariáveis é a quantidade de mudanças no risco da ocorrência de cada unidade de mudança na covariável. Por exemplo.1 para a covariável idade significaria que um aumento de um ano de idade estaria associada com um 0. Dez aumento de anos de idade que corresponde a 1. A taxa de risco de 1. não de probabilidade) como uma pessoa no grupo placebo de ser curado no incremento da próxima vez. há um aumento de 5% na taxa de risco da variável evento que está sendo estudada. se a relação for superior a 1. Para variáveis no tempo covariáveis contínuas. como o sexo. aqui baselinehc: "stcox VotePct Direitos sizes1 sizes2.    Para o tempo-invariante covariáveis contínuas. em perigo". podemos também dizer que por uma chance de 3:01 uma . a taxa de risco é a quantidade a taxa de ocorrência mudanças para uma unidade de mudança no tempodependente da função da covariável. controlando para outras variáveis no modelo.05 significa que para um aumento de 1 unidade na covariável. como abaixo foi gerado com o comando postestimation Stata "stcurve.

0. A tabela a vida lhe dará o número de entrar e sair da piscina de risco em qualquer intervalo de tempo." para o "estado republicano covariável = 0. O coeficiente exponencial é a razão de risco e é interpretada em relação ao 1.5 significa que um governador de um estado democrático que foi no escritório de tempo t tem uma chance de 1. Não podemos dizer que a pessoa tratada vai curar três vezes mais rápido. nem o tempo de cicatrização é cortado em um terço. mas não mostra efeito absoluto. Porque a taxa de risco relativo. estão entre os meios para calcular tempo médio de uso em proporções medianas. ea taxa de risco e seu erro padrão para cada intervalo de tempo. Como segundo exemplo. 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. o número de destino. as proporções cumulativas. 2004). sugerindo a aplicação da política a ser decisivo quanto tempo após o término do programa para agendar o acompanhamento social dos trabalhadores visitas. a proporção de sobrevivência. Pela mesma razão. Isto equivale a dizer que há 60% (05/03). acessado em SPSS / SPSS selecionando Analisar. Tábuas de Vida. 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. as taxas de risco são também muitas vezes interpretada como a probabilidade de ocorrência de um determinado caso. Tabelas de vida. Unrau & Coleman (2006).5:1 (ou 3:2) de não ser reeleito no tempo t +1.  Os intervalos de confiança pode ser calculado em torno de uma taxa de risco. em perigo (sobrevivência ou não) está aumentando enquanto que os aumentos covariável. não 0. as taxas de risco de não avaliar os efeitos absolutos. índices medianos. 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. como discutido acima.    o o Modelo de ajuste usando a razão de verossimilhança. A relação dos tempos mediana é o candidato óbvio para tal medida.. por exemplo. risco está diminuindo e aumentando a probabilidade de sobrevivência como covariável que diminui. 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. proporção que encerra. Vários modelos de regressão de Cox existem para caber vários conjuntos de pressupostos de dados / situações. Modelos. o risco de apenas relativa. outras medidas de tempo podem ser utilizados para avaliar a magnitude do efeito sobre o tempo de duração. discutido abaixo. em um estudo do efeito de pastilhas de zinco sobre a duração do resfriado comum. mas não faz parte do SPSS / SPSS 's módulo Cox são tabelas de vida ." a taxa de risco de 1. Tabelas de vida. o estado democrático = 1. Relacionados. não reeleito = 1. nem que três vezes mais pessoas tratadas serão curadas por um determinado tempo (veja Spruance et al. Por exemplo. Sobrevivência. Uma vez que um caso com o menor tempo para o evento é mais provável que incorrer o evento. Se inferior a 0. o número de expostos ao risco. a AIC. 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. em comparação com um governador de um estado republicano. .pessoa no grupo de tratamento é mais provável que alcance o estado de cura de uma pessoa em um grupo placebo. para o evento "governador reeleito = 0.

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

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

Para um conjunto de dados sobre a pneumonia. agitar e comandos ltable gerar resultados estatísticos relacionados com a análise de sobrevivência. no entanto. o paciente recebeu um transplante e. como descrito acima. declarado pelo stset mais cedo e por isso não mencionados no comando stcox. Exemplos disso são a manual de Stata. A variável ano foi o ano em que o paciente foi aceito no programa de transplante. mais o aumento da idade a probabilidade de morte por câncer. discutido acima. risco e parcelas risco cumulativo de funções. regressão de Cox é executado com o comando stcox depois de declarar uma sobrevida formato dataset tempo com o comando stset. se houver. A tabela de saída principal irá mostrar a relação de risco.  Cox de regressão com variável contínua e em tempo covariáveis. Se a probabilidade de a probabilidade de registro é 0. estes pacientes ainda estavam vivos no final do estudo e constitui censura casos. Quanto maior a taxa de risco para a idade é acima de 1.0. é uma covariável posttran discretos variantes no tempo. A variável tempo até a falha é failtime. o Regressão de Cox Com ou Sem-Dependent Covariates Tempo em Stata. O STS gerar comando adiciona novas variáveis para o conjunto de dados baseado em risco previamente modelados e funções relacionadas. O comando stcurve pode ser usado com ou stcox StrEG para produzir sobrevivência.computados para as co-variáveis (indicadores). onde drogas = 1 significa que o paciente recebeu um medicamento contra o câncer ao invés de um placebo. cada um controlando para as outras duas. 035 * _T)) nolog. O STS. que permitem a comparação dessas funções entre os diferentes níveis de covariáveis. o modelo como um todo é importante. Há 1 ou 2 registros por paciente. respectivamente. Anteriormente o comando stset studytime definida como a variável tempo para o evento e definir a variável morreu como a variável de evento. onde os dados para drug1 e drug2 são os níveis de dosagem de duas drogas. Anteriormente. Mais cedo. Se morreu = 0. Para o conjunto de dados de transplante de coração Stanford. No entanto. TVC (drug1. o comando mais complexo com a TVC () e texp () podem manipular o modelo mais realista supor que o nível desses fármacos tempo é variável. dependendo se eles receberam um transplante. A variável estratificação não é tratado como um preditor e não os coeficientes são calculados por ele. são declarados no comando stcox usando o TVC (varlist) opção.  Cox de regressão com dados censurados. Todos os casos (geradores) falharam. o seu erro padrão.  Cox de regressão com variáveis no tempo discreto covariáveis. drug1 ou drug2. não há ainda geradores de trabalho (sem censura casos). A probabilidade de registro e sua probabilidade é também impresso. como os exemplos anteriores.  Cox de regressão simples com dados não censurados. assumindo a níveis da dosagem de drug1 drug2 e manteve-se constante em todo o corpo do paciente ao longo do tempo. Comando: posttran idade stcox surg ano. e id como a variável id. A sintaxe do comando geral é stcox (varlist). Comando: rolamentos de carga stcox. Para um conjunto de dados sobre quanto tempo geradores elétricos última até a falha. Tivesse sido o comando idade stcox drug1 drug2. Se posttran = 1. covariáveis dependentes do tempo. No Stata. ea idade é uma covariável. Comando: idade stcox. presume-se que já declarou stset / definido o conjunto de dados o tempo de sobrevivência. o controle de tratamento da toxicodependência . drug2) texp (exp (-. Para um conjunto de dados sobre o tratamento do câncer. A Surg variável = 1 quando o paciente teve uma cirurgia cardíaca prévia. Nas variantes de stcox discutido abaixo.05 ou menos. drug2) opção declara drug1 e drug2 ser . o seu nível de probabilidade. Quanto mais o índice de risco calculado para a droga é abaixo de 1.0. as taxas de risco calculado que mostram o efeito da idade. controlando para a idade. a carga e os rolamentos são covariáveis que não variam no tempo. O modelo é especificado da mesma. stset t1 definido como a variável tempo e morreu como o mesmo variável. Comando: idade stcox droga. A (TVC drug1. mais que a droga reduziu o risco de morte por câncer. e seus intervalos de confiança. especificamente que a quantidade da droga no organismo diminui ao longo do tempo.. portanto. o comando stset tempo definido como a variável tempo e curadas como variável de evento.

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

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

Significa.88. o nível de significância é a mesma (0. um modelo de diferença qui-quadrado de 12.> 0.. testes de razão de probabilidade Stepwise aparecer no "modelo de coeficientes tabela 'no SPSS / SPSS. mas o teste da razão de verossimilhança é o teste padrão. então o efeito de covariáveis (s) não pode ser considerado como diferente de zero. Se-2LL é significativo.012). A probabilidade estatística -2 log aparece no "-2 log verossimilhança" da tabela do SPSS / SPSS. que é o exemplo simples usado aqui . A taxa de probabilidade quiquadrado e seu significado (Prob) permanecem os mesmos em ambos os programas. que em cada etapa adiciona a variável com o maior número de pontos significativos. as co-variáveis contribuem significativamente para a explicação de dias de duração dos estados. 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. Isto significa que pelo menos uma das covariáveis contribui significativamente para a explicação de duração para o evento.     Comparado com outros testes. SPSS / SPSS e alguns outros pacotes de saída também uma estatística escore (aka global. Adicionando o Nohr "opção para o comando stcox suprime taxas de risco e causas dos coeficientes de risco correspondente a ser impresso. No entanto. A estatística de pontuação. também. Ou seja.05 (o padrão usual da ciência social).11219 corresponde ao 2LL em SPSS SPSS saída / de 32.104. o modelo como um todo é importante. O modelo completo tinha-2LL = 32.224. .012. o nulo (intercepto-only) modelo tinha-2LL = 45. até a ratificação da Constituição. Para a ilustração acima. SPSS / SPSS:. como ilustrado abaixo. qui-quadrado ou total do qui-quadrado) como critério de significância alternativa para o modelo.224 (multiplicar por -2 para conseguir isso). A verossimilhança da -16. a pontuação é usado na regressão stepwise Cox no SPSS / SPSS. que é o modelo de tempo apenas quando todas as covariáveis são 0.  intervalos de confiança. também chamado de teste de omnibus ou-2LL ou -2 log verossimilhança. seja por razão de probabilidade qui-quadrado ou global (score) do quiquadrado. o modelo é significativamente melhor do que o modelo nulo. Teste da razão de verossimilhança do modelo. Na figura acima. Interpretação do odds ratio é discutida nas seções de análise loglinear e regressão logística . o que é significativo ao nível 0. Ou seja. se Sig. Stata: O teste da razão de verossimilhança é gerado pelo comando stcox.

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

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

portanto. antes da ratificação e. Assim. 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). menos dia). discutido acima. Odds ratio de 1. Ele é usado para verificar a multicolinearidade. A ilustração abaixo mostra multicolinearidade não é indicado para os preditores no modelo 2. Matriz de correlação dos coeficientes de regressão é um dos quadros do SPSS SPSS output / saída e de outros pacotes. Odds ratio acima de 1. não ". ou seja.Como mostrado na figura acima. tamanho é categórica (1 = pequenos estados. deve-se interpretar que diz respeito à categoria de referência. depois da ratificação e mais dias de duração). Idealmente. sendo pequena ou média aumentou o risco.0 estão associados com risco aumentado do evento (neste caso. Por exemplo. Medium ratificado em poucos dias . nenhum par de preditores é altamente correlacionadas. Odds ratio abaixo de 1. em comparação aos estados grandes (3.0 correspondem aos coeficientes b positivo e odds ratio abaixo de 1. Exp (b)" como no SPSS / SPSS.0 estão associados com risco de diminuição do evento (neste caso.0. os estados 2 = médio e 3 (categoria de referência) = grandes estados. . grandes estados tiveram mais dias para ratificar a Constituição estabelece.0 significa que o co-variável não tem efeito sobre as probabilidades associadas ao cargo. que é também a razão de risco para uma dada covariável. Para covariáveis categóricas. a categoria de referência).0 correspondem a coeficientes b negativos. O odds ratio para as pequenas (1) e médio (2) estados são menos de 1. Stata rótulos as taxas de risco.   A razão de chances.0). Exp (B) é a mudança prevista no perigo de um aumento unitário no indicador. estados pequenos e médios ratificado antes. na ilustração acima. indicando que. indicado pelo odds ratio para o tamanho = 2 sendo a mais baixa (mais distante de 1. Exp (B) na saída acima é a razão de chances. Assim razões odds acima de 1. como tal.

fazendo com que meios covariável a zero. Nohr. No SPSS / SPSS e outros pacotes. haverá uma linha geral (ex. o pesquisador pode concluir que pelo menos um dos coeficientes de efeito diferente de zero. Este significado global Wald testa a hipótese nula de que todos os coeficientes para o efeito que a variável categórica é zero. As variáveis categóricas.  SPSS / SPSS: O coeficiente de regressão não padronizados. Saída será muito semelhante ao padrão.  Stata: Após a montagem de um modelo de regressão de Cox com stcox. Geralmente essa taxa aumenta com o tempo. etc. ou confiança. só o tempo quando todas as co-variáveis = 0. "religião"). bem como uma linha para cada não-omissão de valor (ex. em seguida.. "B" aparece nas variáveis "na equação" tabela do SPSS / SPSS. pode ser reinvoked coeficientes de regressão para mostrar um pouco do que taxas de risco: stcox. Como ilustrado abaixo. taxas de risco cumulativo Baseline são mais fáceis de interpretar quando dados numéricos covariável foram normalizados (não é o caso ilustrado abaixo). SE. Quando as co-variáveis são categóricas. a taxa será para as pessoas na categoria "0" para cada covariável. Exp (b) intervalos. cada uma com uma linha de base correspondente taxa de risco cumulativo. "religião" (1) . a base da função risco acumulado é exibido para várias vezes representados como linhas. mas terá um valor de Wald e da importância correspondente (veja abaixo). ao invés de ser uma taxa única. mas com coeficientes substituído por razões de risco. se uma variável é categórica.  Baseline risco cumulativo é a taxa de risco para o modelo.  . Baseline risco. com taxas de risco de base interpretado como de tempo somente para as pessoas na média dos covariável (s ). sobrevivência e taxas de risco cumulativo. a religião "(2)".) A linha geral não terá entradas para B.. Se a importância global Wald é 0.05 ou menos.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

a taxa de risco de base passa a ter . Vamos agora considerar a distribuição Weibull. Para a distribuição Weibull análogo de (21) é: . onde são parâmetros desconhecidos. como uma questão de fato. Lembre começamos com (21): o ato multiplicatively covariáveis sobre a taxa de risco. 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. Observe que o explicativas podem incluir tanto variáveis quantitativas e variáveis qualitativas como grupo de tratamento. portanto. Por esta razão. permitindo que a taxa de falha a função de . Observe que a função de sobrevivência é igual a . esta pode ser incorporada através do uso de variáveis indicadoras. em vez podemos dizer que tem a distribuição exponencial com parâmetro . Para a distribuição exponencial. A perturbação não tem uma distribuição normal. Note que o termo é o intercepto (constante) do modelo de regressão. independentemente dos valores de . a função de sobrevivência de uma distribuição exponencial com parâmetro . muitas vezes leva . Para cada indivíduo temos valores de variáveis explicativas. Vamos explicar o que a hipótese (21) sobre a função de risco significa que se nós estudamos o tempo de falha log . A taxa de risco em um modelo de regressão é então modelado por . A) a nova taxa de risco (é considerado como sendo uma constante ( ) Algumas vezes a função da função linear . 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 . uma função de risco dada por (8). A distribuição exponencial pode ser generalizado para obter um modelo de regressão. 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 .Considere vezes falha de indivíduos. temos uma função de risco constante . taxas de risco a ser positiva. que é igual a (7). De (24) pode-se concluir que os efeitos das covariáveis (variáveis explicativas) atuam aditivamente na . este prazo pode ser estimado considerando que ambos os e não podem ser estimados. Portanto. 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 . Conseqüências da (21) são: Por tempo de falha log que quase se um modelo de regressão tradicional. é natural de escolher a função de tal forma que é positiva. O principal problema tratado nesta seção é a de modelagem a relação entre o tempo de falha e as variáveis explicativas.

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

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

853 2. Testando a hipótese nula contra a hipótese alternativa para cada indicador variável nenhuma hipótese nula deve ser rejeitada ao nível de significância de 5%. torna-se onde são os valores das variáveis de cada indicador . Concluímos que a distribuição (de) Duração depende do Nascimento covariável. Assim. excepto um (verifique isso).715 -0. .. não é útil para testar para cada variável indicadora do Nascimento covariável. Secção 7: Atribuição Antes de começar: consultar o texto do arquivo Sobre SPSS.025 0.091 0. O nível de significância de 5%).. o nosso modelo. ao nascer (8).411 3.423 0. 0.019 2.493 0. Em vez de o último valor o primeiro valor pode ser escolhido como valor de referência (categoria ) em SPSS.419 0.486 0. Vamos testar a hipótese nula contra a hipótese alternativa . pode ser diferente para os conjuntos de dados diferentes. portanto. De acordo com a fórmula a relação entre os riscos de taxas de nascimento dos anos 78 e 86 é igual a . Em vez disso. 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.421 0. Acabamos de indicar como trabalhar com ele.495 0. Use SPSS quando você faz as peças A en B desta tarefa.112 0.089 0.420 0. para os respectivos resultados da covariável temos agora (possivelmente) diferentes (multiplicativo) e efeitos aqui no ano de nascimento 86 serve como valor de referência.890 0. Da mesma forma. Usando SPSS o seguinte resultado é obtido. Contudo. Desde o resultado das Wald é 18.433 0.529 2. Os graus de liberdade depende do número de variáveis indicadoras.489 0. o nascimento (1). se o resultado de nascimento é de 79 e em outros lugares.450 0.se o resultado de nascimento é de 78 e em outro lugar. B nascimento nascimento (1) nascimento (2) nascimento (3) nascimento (4) nascimento (5) nascimento (6) nascimento (7) nascimento (8) -0.666 -0.065 0.411 estamos aqui rejeitar a hipótese nula.406 2. Usando essas variáveis o indicador de taxa de risco e.089 0.703 -0.419 0.800 2.402 SE 0.doc. pode testar se todos os efeitos do Nascimento covariável são zero.424 0.018 0.. Nós não damos uma fórmula explícita para a estatística Wald com (aqui) de 8 graus de liberdade.669 Na primeira coluna da tabela de parâmetros são indicados.514 0. a relação entre os riscos de taxas de nascimento dos anos 79 e 86 é igual a . Em nossos testes problema que temos de rejeitar se Wald (Chi quadrado com df .947 -0.911 df 8 1 1 1 1 1 1 1 1 Sig. .. nascimento (2).421 Wald 18. se o resultado de nascimento é de 85 e em outros lugares.. .901 5.799 -0.722 -0.094 0.388 0..340 Exp (B) 0.707 -0. respectivamente.

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

Sign up to vote on this title
UsefulNot useful