Как интерпретировать Exp (B) в регрессии Кокса?

Я студент-медик, пытаюсь понять статистику (!) - так что будьте осторожны! ;)

Я пишу эссе, содержащее достаточное количество статистического анализа, включая анализ выживания (Kaplan-Meier, Log-Rank и регрессия Кокса).

Я провел регрессию Кокса на моих данных, пытаясь выяснить, могу ли я найти значительную разницу между смертями пациентов в двух группах (пациенты с высоким или низким риском).

Я добавил несколько ковариат к регрессии Кокса, чтобы контролировать их влияние.

Risk (Dichotomous)
Gender (Dichotomous)
Age at operation (Integer level)
Artery occlusion (Dichotomous)
Artery stenosis (Dichotomous)
Shunt used in operation (Dichotomous)

Я удалил окклюзию артерии из списка ковариат, потому что ее SE была чрезвычайно высокой (976). Все остальные SE находятся между 0,064 и 1118. Вот что я получаю:

                    B       SE      Wald    df  Sig.    Exp(B)  95,0% CI for Exp(B)
                                                                Lower   Upper
    risk            2,086   1,102   3,582   1   ,058    8,049   ,928    69,773
    gender         -,900    ,733    1,508   1   ,220    ,407    ,097    1,710
    op_age          ,092    ,062    2,159   1   ,142    1,096   ,970    1,239
    stenosis        ,231    ,674    ,117    1   ,732    1,259   ,336    4,721
    op_shunt        ,965    ,689    1,964   1   ,161    2,625   ,681    10,119

Я знаю, что риск только погранично-значимый в 0,058. Но помимо этого, как мне интерпретировать значение Exp (B)? Я читал статью о логистической регрессии (которая чем-то похожа на регрессию Кокса?), Где значение Exp (B) интерпретировалось как: «Нахождение в группе высокого риска включает 8-кратное увеличение вероятности исхода», которая в этом случае смерть. Могу ли я сказать, что мои пациенты с высоким риском в 8 раз чаще умирают раньше, чем ... что?

Пожалуйста, помогите мне! ;)

Кстати, я использую SPSS 18 для запуска анализа.

Вообще говоря, $\exp(\hat\beta_1)$ представляет собой отношение опасности между двумя людьми , чьи значения $x_1$ отличаются на одну единицу , когда все остальные ковариаты остаются постоянными. Параллель с другими линейными моделями заключается в том, что в регрессии Кокса функция опасности моделируется как $h(t)=h_0(t)\exp(\beta'x)$ , где $h_0(t)$ - базовая опасность. Это эквивалентно тому, что $\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$ . Затем, увеличение единицы в$x_i$ ассоциируется с$\beta_i$ увеличение скорости опасности журнала. Коэффициент регрессии позволяют таким образом, для количественной оценки журнала опасности в группе лечения (по сравнению с контрольной или плацебо-группой) с учетом ковариат, включенных в модель, это интерпретируется как относительный риск (при условии отсутствия изменяющихся во времени коэффициентов).

В случае логистической регрессии коэффициент регрессии отражает логарифм отношения шансов , поэтому интерпретируется как увеличение риска в k раз. Так что да, интерпретация коэффициентов опасности имеет некоторое сходство с интерпретацией коэффициентов шансов.

Обязательно зайдите на сайт Дэйва Гарсона, где есть хороший материал по регрессии Кокса с помощью SPSS.

Я не статистик, а доктор медицины, пытающийся разобраться в мире статистики.

$\exp(B)$$1/\exp(B)$$\exp(B) = 0.407$$1/0.407 = 2.46$

$\exp(B) > 1$$\exp(B) = 1.259$

$\exp(B) = 1$$\exp(B)$

Из вашего анализа кажется, что ни одна из ваших переменных не является значимым предиктором (на уровне знака 5%) вашей конечной точки, хотя наличие пациента «высокого риска» имеет пограничное значение.

Читая книгу « Руководство по выживанию SPSS » Джулии Паллант, вероятно, вы узнаете больше об этой (и более) темах.