R frailty 隨機效應項

說明

脆弱函數允許我們向 Cox 模型添加一個簡單的隨機效應項。

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"), ...)

參數

x	作為隨機效應輸入的變量。它始終被視為一個因子。
distribution	可以指定 gamma 、 gaussian 或 t 分布。例程frailty.gamma、frailty.gaussian 和frailty.t 執行實際工作。
...	具體分配的論點，包括(但不限於)
sparse	使用數據矩陣的稀疏編碼的截止。如果x的總層數大於該值，則使用稀疏矩陣近似。正確的截止值仍然是一個探索的問題：如果級別的數量非常大(數千)，那麽非稀疏計算在內存和計算時間方麵可能都不可行。同樣，稀疏近似的準確性似乎與任何一類中受試者的最大比例有關，當沒有一類擁有大量成員時效果最好。
theta	如果指定，這將修複隨機效應的方差。如果不是，則方差是一個參數，並尋求最佳解決方案。指定這意味著 method='fixed' 。
df	如果指定，這將修複隨機效應的自由度。指定這意味著 method='df' 。隻能指定 theta 或 df 之一。
method	用於選擇 θ(隨機效應方差)解的方法。 fixed 對應於用戶指定的值，並且不進行迭代。 df 選擇方差，以便隨機效應的自由度與用戶指定的值匹配。 aic 方法尋求最大化 Akaike 的信息標準 2*(部分似然 - df)。 em 和 reml 方法分別特定於具有伽馬和高斯隨機效應的 Cox 模型。請參閱下麵的進一步討論。
tdf	t 分布的自由度。
eps	theta 迭代的收斂標準。

細節

frailty 插入由 coxph 和 survreg 例程提供的通用懲罰建模框架。該框架涉及可能性、懲罰和自由度；這些方麵與父母雙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懲罰例程來完成具有伽瑪脆弱性的 Cox 模型的最大似然估計，並且 Ripatti 和 Palmgren 對具有高斯脆弱性的 Cox 模型進行了類似的論證。這兩個都是 Cox 模型特有的。將 gamma/ml 或 gaussian/reml 與 survreg 一起使用不會產生有效結果。

懲罰方法的可擴展結構使得懲罰函數(例如 frailty 或 pspine )與建模例程完全分離。這樣做的優點是用戶可以插入他們選擇的任何懲罰例程。一個弱點是建模例程很難知道是否已經提供了合理的懲罰例程。

請注意，使用脆弱項意味著混合效應模型，使用聚類項意味著 GEE 方法；這些不能混合。

coxme 包已取代此方法。它更快、更穩定、更靈活。

值

此函數用在 coxph 或 survreg 的模型語句中。其結果在內部使用。

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'))

參考

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