R survobrien 奥布莱恩单变量与生存关联的检验

说明

Peter O'Brien's 单个变量与生存关联的检验 该检验在 1978 年 6 月的《生物识别学》中提出。

用法

survobrien(formula, data, subset, na.action, transform)

参数

formula	cox 模型的有效公式。
data	data.frame，用于解释 formula 或 subset 和 weights 参数中指定的变量。
subset	表达式，指示在拟合中应使用数据行的哪个子集。默认情况下包括所有观察结果。
na.action	缺失数据过滤函数。在使用任何子集参数后，这将应用于model.frame。默认为 options()\$na.action 。
transform	在每个时间点应用的变换函数。默认值为 O'Brien's 建议 logit(tr)，其中 tr = (rank(x)- 1/2)/length(x) 是移动到 0-1 范围的排名，logit(x) = log(x /(1-x)) 是 logit 变换。

值

一个新的 DataFrame 。响应变量将是Surv函数返回的列名称，即用于简单生存数据的"time"和"status"，或者用于计数过程数据的"start"、"stop"、"status"。每个单独的事件时间由变量 .strata. 的值标识。其他变量保留其原始名称。如果预测变量是一个因子或受 I() 保护，则它会按原样保留。其他预测变量已替换为时间相关的 Logit 分数。

新 DataFrame 的行数将比原始数据多得多，大约是原始行数 * 死亡人数/2。

方法

时间相关的 cox 模型现在可以适应新数据。正如最初提出的那样，单变量统计量相当于时间相关模型的单变量得分检验。这种等价性是使用时间相关模型作为原始论文的多元扩展的基本原理。

在 O'Brien's 方法中，x 变量在每次死亡时间重新排序。 Prentice 提出了一种更简单的方法，在开始时仅对数据进行一次排序。结果通常是相似的。

注意

该例程的先前版本返回新的时间变量而不是分层。不幸的是，如果原始公式有分层声明，则该策略不起作用。这个新数据集的大小相同，但 coxph 例程的处理速度会稍快一些。

例子

xx <- survobrien(Surv(futime, fustat) ~ age + factor(rx) + I(ecog.ps), 
			       data=ovarian) 
coxph(Surv(time, status) ~ age + strata(.strata.), data=xx) 

参考

O'Brien, Peter, "A Nonparametric Test for Association with Censored Data", Biometrics 34: 243-250, 1978.

也可以看看

survdiff