R coxph.control 控製 coxph 擬合的輔助參數

說明

這用於設置控製 Cox 模型擬合的各種數值參數。通常，它僅用於調用 coxph 。

用法

coxph.control(eps = 1e-09, toler.chol = .Machine$double.eps^0.75,
iter.max = 20, toler.inf = sqrt(eps), outer.max = 10, timefix=TRUE)

參數

eps	繼續迭代，直到對數偏似然的相對變化小於 eps，或者絕對變化小於 sqrt(eps)。必須是正的。
toler.chol	在方差矩陣的 Cholesky 分解期間檢測奇異性的容差，即檢測冗餘預測變量。
iter.max	嘗試收斂的最大迭代次數。
toler.inf	有關可能的無限係數值的警告消息的容差標準。
outer.max	對於懲罰的 coxph 模型，例如對於 pspline 項，有一個迭代的外循環來確定懲罰參數；該外循環的最大迭代次數。
timefix	解決時間變量中的任何接近關係。

細節

收斂公差是一種平衡。用戶認為他們想要似然麵的最大點，並且對於表現良好的數據集，其在最大值附近是二次的，高精度是相當便宜的：每次迭代正確數字的數量大約增加一倍。相反，在任何給定方向上從最大值下降 0.0001 將僅對應於係數標準誤差變化的約 1/20。從統計數據來看，比這更精確的是對小昆蟲的緊張。基於此，作者最初將容差設置為 1e-5，但麵對多個“為什麽答案與包 X 不同”的查詢，態度有所緩和。

要求太接近機器精度 (double.eps) 的結果是愚蠢的事情；合理的標準通常是該精度的平方根。然而，Cholesky 分解需要遵守比整體收斂標準更高的標準。 tolerance.inf 值控製警告消息；如果太小，可能會出現不正確的警告，如果太大，將無法檢測到無限係數的某些實際情況。

最困難的情況是 MLE 係數無窮大的數據集；一個例子是一個數據集，其中在每個死亡時間，死亡的是具有最大協變量值的受試者。在這種情況下，係數在每次迭代時都會增加，而對數似然則漸近至最大值。隨著迭代的進行，三個端點存在競爭條件：exp(coef) 溢出、Hessian 矩陣變為奇異、或者 loglik 的變化足夠小以滿足收斂標準。前兩個很難預測並導致數字困難，這是選擇 eps 時適度選擇的另一個論點。

有關 timefix 選項的更詳細說明，請參閱小插圖“舍入誤差和綁定時間”。簡而言之，當通過減法創建時間間隔時，由於浮點舍入誤差，實際上相同的兩個時間間隔可能會顯得不同，這反過來又會使 coxph 和 survfit 結果取決於諸如操作完成的順序或運行操作的特定計算機。不幸的是，此類案例在實踐中並不少見。 timefix=TRUE 選項添加與 all.equal 類似的邏輯，以確保結果可靠。然而，在分析模擬數據集時，根據定義通常不能有重複項，因此通常需要將該選項設置為 FALSE 以避免對接近的數值進行虛假合並。

值

包含上述每個常量的值的列表

也可以看看

coxph