นี่คือสรุปเอาท์พุทของ Coxph-model ที่ฉันใช้ (I ใช้ R และผลลัพธ์ขึ้นอยู่กับรุ่นสุดท้ายที่ดีที่สุดนั่นคือตัวแปรอธิบายที่สำคัญทั้งหมดและการโต้ตอบของพวกเขารวมอยู่ด้วย):
coxph(formula = Y ~ LT + Food + Temp2 + LT:Food + LT:Temp2 +
Food:Temp2 + LT:Food:Temp2) # Y<-Surv(Time,Status==1)
n = 555
coef exp(coef) se(coef) z Pr(>|z|)
LT 9.302e+02 Inf 2.822e+02 3.297 0.000979 ***
Food 3.397e+03 Inf 1.023e+03 3.321 0.000896 ***
Temp2 5.016e+03 Inf 1.522e+03 3.296 0.000979 ***
LT:Food -2.250e+02 1.950e-98 6.807e+01 -3.305 0.000949 ***
LT:Temp2 -3.327e+02 3.352e-145 1.013e+02 -3.284 0.001022 **
Food:Temp2 -1.212e+03 0.000e+00 3.666e+02 -3.307 0.000942 ***
LT:Food:Temp2 8.046e+01 8.815e+34 2.442e+01 3.295 0.000986 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Rsquare= 0.123 (max possible= 0.858 )
Likelihood ratio test= 72.91 on 7 df, p=3.811e-13
Wald test = 55.79 on 7 df, p=1.042e-09
Score (logrank) test = 78.57 on 7 df, p=2.687e-14
คำถามคือ:
วิธีตีความค่าสัมประสิทธิ์และค่า exp (coef) ในกรณีนี้เนื่องจากมีค่ามาก นอกจากนี้ยังมีการโต้ตอบ 3 กรณีซึ่งเกี่ยวข้องกับการตีความมากกว่า
ตัวอย่างทั้งหมดที่เกี่ยวกับ Coxph-model ที่ฉันพบในขณะนี้ออนไลน์นั้นง่ายมากเกี่ยวกับเงื่อนไขการทำ Intercation (ซึ่งกลายเป็นว่าไม่มีนัยสำคัญเสมอ) และค่าสัมประสิทธิ์ (= อัตราอันตราย) และเลขชี้กำลังของสิ่งเหล่านี้ (= อัตราส่วนความเป็นอันตราย) มีขนาดค่อนข้างเล็กและตัวเลข "จัดการได้ง่าย" เช่นค่าสัมประสิทธิ์ = 1.73 -> exp (coef) = 5.64 แต่เหมืองเป็นตัวเลขที่ใหญ่กว่าอย่างที่คุณเห็นจากผลลัพธ์สรุป (ด้านบน) และเนื่องจากพวกมันมีขนาดใหญ่มากพวกเขาดูเหมือนจะไม่สมเหตุสมผล
ดูเหมือนจะไร้สาระสักหน่อยที่จะคิดว่าการมีชีวิตอยู่รอดเช่น 8.815e + 34 (อัตราส่วนความเป็นอันตรายที่เกิดจากการปฏิสัมพันธ์ LT: อาหาร: อุณหภูมิ 2) ลดลงเมื่อการปฏิสัมพันธ์เพิ่มขึ้นหนึ่งหน่วย (?)
ที่จริงฉันไม่รู้วิธีตีความการโต้ตอบ 3 กรณีนี้เช่นกัน มันหมายความว่าเมื่อทุกตัวแปรในการโต้ตอบเพิ่มขึ้นหนึ่งหน่วยความอยู่รอดจะลดลงตามจำนวนที่แน่นอน (บอกโดย exp (coef) - ค่า)?
คงจะดีถ้ามีคนช่วยฉันที่นี่ :)
ด้านล่างเป็นส่วนหนึ่งของแผ่นข้อมูลของฉันที่ฉันใช้สำหรับการวิเคราะห์ cox ที่นี่คุณสามารถเห็นได้ว่าฉันได้ใช้ค่าคำอธิบายที่หลากหลายเหมือนกันหลายครั้ง (เช่น LT, อาหารและ Temp2) สำหรับ "เวลา, ตัวแปรสถานะการตอบกลับ" ค่าตัวแปรอธิบายเหล่านี้เป็นค่าเฉลี่ยของตัวแปรเหล่านี้แล้ว (เนื่องจากการตั้งค่าการทำงานนอกสถานที่ในลักษณะเป็นไปไม่ได้ที่จะได้รับค่าตัวแปรอธิบายส่วนบุคคลสำหรับการตอบสนองแต่ละข้อสังเกตที่สังเกตดังนั้นค่าเฉลี่ยที่ใช้แล้วในระยะนี้ ) และสิ่งนี้จะตอบข้อเสนอแนะ 1 (?) (ดูคำตอบแรก)
คำแนะนำ 2 (ดูคำตอบที่ 1): ฉันใช้ R และฉันยังไม่ได้เป็นพระเจ้าที่ยิ่งใหญ่ในนั้น :) ดังนั้นถ้าฉันใช้ฟังก์ชันทำนาย (cox.model, type = "คาดหวัง") ฉันจะได้รับค่าต่าง ๆ จำนวนมากและไม่มีเงื่อนงำว่าตัวแปรอธิบายใดที่พวกเขาอ้างถึงและเรียงตามลำดับ หรือเป็นไปได้ที่จะเน้นคำศัพท์เฉพาะบางคำในฟังก์ชั่นการทำนาย? ฉันไม่แน่ใจว่าฉันทำให้ตัวเองชัดเจนมากที่นี่
ข้อเสนอแนะ 3 (ดูคำตอบที่ 1): ในส่วนของแผ่นข้อมูลด้านล่างหนึ่งสามารถดูหน่วยของตัวแปรอธิบายที่แตกต่างกัน พวกมันต่างกันและรวมถึงทศนิยม สิ่งนี้สามารถเกี่ยวข้องกับผลลัพธ์ของ cox ได้ไหม?
ส่วนหนึ่งของแผ่นข้อมูล:
Time (days) Status LT(h) Food (portions per day) Temp2 (ºC)
28 0 14.42 4.46 3.049
22 0 14.42 4.46 3.049
9 1 14.42 4.46 3.049
24 0 15.33 4.45 2.595
24 0 15.33 4.45 2.595
19 1 15.33 4.45 2.595
ไชโยอุนนา