R predict.coxph Cox 模型的预测

说明

计算 coxph 拟合模型的拟合值和回归项

用法

## S3 method for class 'coxph'
predict(object, newdata,
type=c("lp", "risk", "expected", "terms", "survival"),
se.fit=FALSE, na.action=na.pass, terms=names(object$assign), collapse,
reference=c("strata", "sample", "zero"),  ...)

参数

object	coxph 拟合的结果。
newdata	用于进行预测的可选新数据。如果缺少预测，则针对原始拟合中使用的数据帧。当使用在另一个上下文中创建的公式参数调用 coxph 时，即，在另一个函数中调用 coxph 并将公式作为参数传递给该函数时，查找数据集可能会出现问题。请参阅下面的注释。
type	预测值的类型。选项包括线性预测变量 ( "lp" )、风险评分 exp(lp) ( "risk" )、给定协变量和随访时间的预期事件数 ( "expected" ) 以及线性预测变量的项("terms")。受试者的生存概率等于exp(-expected)。
se.fit	如果为 TRUE，则为预测生成逐点标准误差。
na.action	仅当存在 newdata 参数时适用，并定义新数据的缺失值操作。默认情况下包括所有观察结果。当没有新数据时，缺失的行为由原始拟合的 na.action 选项决定。
terms	如果 type="terms"，则此参数可用于指定应包含哪些术语；默认为全部。
collapse	主题标识符的可选向量。如果指定，输出将包含每个主题一个条目，而不是每个观察一个条目。
reference	居中预测的参考，请参阅下面的详细信息
...	对于未来的方法

细节

Cox模型是相对风险模型； "linear predictor"、"risk" 和 "terms" 类型的预测均与它们所来自的样本相关。默认情况下，每个变量的参考值是层内的平均协变量。根本原因既有统计上的，也有实践上的。首先，Cox 模型仅预测同一层内的成对受试者之间的相对风险，因此向任何协变量添加常数(无论是总体还是仅在特定层内)对拟合结果没有影响。其次，下游计算取决于风险分数 exp(线性预测器)，对于大于 .Machine\$double.max.exp 的线性预测器，这将成为数字溢出的牺牲品。 coxph 例程尝试将预测变量大致置于自我保护的中心。使用 reference="strata" 选项是最安全的居中方式，因为层偶尔有不同的方式。当 predict 的结果用于进一步计算时，可能需要对所有观察结果使用单一参考水平。使用 reference="sample" 将使用整体平均值，并与 coxph 对象的 linear.predictors 组件一致(它使用整体平均值来向后兼容旧代码)。 type="terms" 的预测几乎总是会传递到进一步的计算，因此对于这些，我们默认使用样本作为参考。 "zero" 的引用导致不进行居中。

"expected" 类型的预测包含基线危险，因此是绝对的而不是相对的； reference 选项对这些没有影响。这些值取决于未来受试者的随访时间以及协变量，因此 newdata 参数需要包含公式中的右侧和左侧变量。 (状态变量不会被使用，但由于底层代码需要重建整个公式，因此是必需的。)

包含 frailty 项的模型是一种特殊情况：由于技术困难，当存在 newdata 参数时，预测将始终是随机效应为零。

值

预测向量或矩阵，或者包含预测(元素"fit")及其标准误差(元素"se.fit")的列表(如果se.fit选项为TRUE)。

注意

一些预测可以直接从 coxph 对象获得，而对于其他预测，例程必须具有完整的原始数据集，例如，对于 type = terms 或如果请求标准错误。如果 model=TRUE ，则此额外信息将保存在 coxph 对象中，否则将重建原始数据。如果知道需要此类残差，并且保存模型信息，则总体执行速度会稍快一些。

在某些情况下，重建可能会失败。最常见的情况是在另一个函数内部调用 coxph 并将公式作为参数之一传递给该封闭函数。另一种情况是数据集在原始调用和预测调用之间发生变化。在每个问题中，简单的解决方案是将 model=TRUE 添加到原始 coxph 调用中。

例子

options(na.action=na.exclude) # retain NA in predictions
fit <- coxph(Surv(time, status) ~ age + ph.ecog + strata(inst), lung)
#lung data set has status coded as 1/2
mresid <- (lung$status-1) - predict(fit, type='expected') #Martingale resid 
predict(fit,type="lp")
predict(fit,type="expected")
predict(fit,type="risk",se.fit=TRUE)
predict(fit,type="terms",se.fit=TRUE)

# For someone who demands reference='zero'
pzero <- function(fit)
  predict(fit, reference="sample") + sum(coef(fit) * fit$means, na.rm=TRUE)

也可以看看

predict、coxph、termplot