R survobrien 奧布萊恩單變量與生存關聯的檢驗

說明

Peter O'Brien's 單個變量與生存關聯的檢驗 該檢驗在 1978 年 6 月的《生物識別學》中提出。

用法

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

參數

formula	cox 模型的有效公式。
data	data.frame，用於解釋 formula 或 subset 和 weights 參數中指定的變量。
subset	表達式，指示在擬合中應使用數據行的哪個子集。默認情況下包括所有觀察結果。
na.action	缺失數據過濾函數。在使用任何子集參數後，這將應用於model.frame。默認為 options()\$na.action 。
transform	在每個時間點應用的變換函數。默認值為 O'Brien's 建議 logit(tr)，其中 tr = (rank(x)- 1/2)/length(x) 是移動到 0-1 範圍的排名，logit(x) = log(x /(1-x)) 是 logit 變換。

值

一個新的 DataFrame 。響應變量將是Surv函數返回的列名稱，即用於簡單生存數據的"time"和"status"，或者用於計數過程數據的"start"、"stop"、"status"。每個單獨的事件時間由變量 .strata. 的值標識。其他變量保留其原始名稱。如果預測變量是一個因子或受 I() 保護，則它會按原樣保留。其他預測變量已替換為時間相關的 Logit 分數。

新 DataFrame 的行數將比原始數據多得多，大約是原始行數 * 死亡人數/2。

方法

時間相關的 cox 模型現在可以適應新數據。正如最初提出的那樣，單變量統計量相當於時間相關模型的單變量得分檢驗。這種等價性是使用時間相關模型作為原始論文的多元擴展的基本原理。

在 O'Brien's 方法中，x 變量在每次死亡時間重新排序。 Prentice 提出了一種更簡單的方法，在開始時僅對數據進行一次排序。結果通常是相似的。

注意

該例程的先前版本返回新的時間變量而不是分層。不幸的是，如果原始公式有分層聲明，則該策略不起作用。這個新數據集的大小相同，但 coxph 例程的處理速度會稍快一些。

例子

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

參考

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

也可以看看

survdiff