R frailty 随机效应项

说明

脆弱函数允许我们向 Cox 模型添加一个简单的随机效应项。

用法

frailty(x, distribution="gamma", ...)
frailty.gamma(x, sparse = (nclass > 5), theta, df, eps = 1e-05,
         method = c("em","aic", "df", "fixed"), ...) 
frailty.gaussian(x, sparse = (nclass > 5), theta, df,
         method =c("reml","aic", "df", "fixed"), ...)
frailty.t(x, sparse = (nclass > 5), theta, df, eps = 1e-05, tdf = 5,
         method = c("aic", "df", "fixed"), ...)

参数

x	作为随机效应输入的变量。它始终被视为一个因子。
distribution	可以指定 gamma 、 gaussian 或 t 分布。例程frailty.gamma、frailty.gaussian 和frailty.t 执行实际工作。
...	具体分配的论点，包括(但不限于)
sparse	使用数据矩阵的稀疏编码的截止。如果x的总层数大于该值，则使用稀疏矩阵近似。正确的截止值仍然是一个探索的问题：如果级别的数量非常大(数千)，那么非稀疏计算在内存和计算时间方面可能都不可行。同样，稀疏近似的准确性似乎与任何一类中受试者的最大比例有关，当没有一类拥有大量成员时效果最好。
theta	如果指定，这将修复随机效应的方差。如果不是，则方差是一个参数，并寻求最佳解决方案。指定这意味着 method='fixed' 。
df	如果指定，这将修复随机效应的自由度。指定这意味着 method='df' 。只能指定 theta 或 df 之一。
method	用于选择 θ(随机效应方差)解的方法。 fixed 对应于用户指定的值，并且不进行迭代。 df 选择方差，以便随机效应的自由度与用户指定的值匹配。 aic 方法寻求最大化 Akaike 的信息标准 2*(部分似然 - df)。 em 和 reml 方法分别特定于具有伽马和高斯随机效应的 Cox 模型。请参阅下面的进一步讨论。
tdf	t 分布的自由度。
eps	theta 迭代的收敛标准。

细节

frailty 插入由 coxph 和 survreg 例程提供的通用惩罚建模框架。该框架涉及可能性、惩罚和自由度；这些方面与父母双方的日常工作都可以很好地配合。

Therneau、Grambsch 和 Pankratz 展示了如何使用一般惩罚例程来完成具有伽玛脆弱性的 Cox 模型的最大似然估计，并且 Ripatti 和 Palmgren 对具有高斯脆弱性的 Cox 模型进行了类似的论证。这两个都是 Cox 模型特有的。将 gamma/ml 或 gaussian/reml 与 survreg 一起使用不会产生有效结果。

惩罚方法的可扩展结构使得惩罚函数(例如 frailty 或 pspine )与建模例程完全分离。这样做的优点是用户可以插入他们选择的任何惩罚例程。一个弱点是建模例程很难知道是否已经提供了合理的惩罚例程。

请注意，使用脆弱项意味着混合效应模型，使用聚类项意味着 GEE 方法；这些不能混合。

coxme 包已取代此方法。它更快、更稳定、更灵活。

值

此函数用在 coxph 或 survreg 的模型语句中。其结果在内部使用。

例子

# Random institutional effect
coxph(Surv(time, status) ~ age + frailty(inst, df=4), lung)

# Litter effects for the rats data
rfit2a <- coxph(Surv(time, status) ~ rx +
                  frailty.gaussian(litter, df=13, sparse=FALSE), rats,
                  subset= (sex=='f'))
rfit2b <- coxph(Surv(time, status) ~ rx +
                  frailty.gaussian(litter, df=13, sparse=TRUE), rats,
                  subset= (sex=='f'))

参考

S Ripatti and J Palmgren, Estimation of multivariate frailty models using penalized partial likelihood, Biometrics, 56:1016-1022, 2000.

T Therneau, P Grambsch and VS Pankratz, Penalized survival models and frailty, J Computational and Graphical Statistics, 12:156-175, 2003.

也可以看看

coxph , survreg