SPSS详细教程:Cox回归中,连续变量的PH假定检验
龚志忠

龚志忠

首都医科大学附属北京中医医院

擅长:临床研究数据统计分析、流行病学方法设计、临床预测模型建模与评价
已关注
关注
2019-05-05 来源:医咖会

在上一期的内容中,小咖向大家介绍了如何利用SPSS软件,对分类变量是否满足PH假定进行简单快速的判断(戳这里:SPSS详细教程:Cox回归中,分类变量的PH假定检验)。

不同于分类变量,对于连续变量来说,我们常常利用Schoenfeld残差法来帮助进行判断,本期内容小咖就带大家学习一下,如何在SPSS中实现连续变量PH假定检验的Schoenfeld残差法

Schoenfeld残差法

Schoenfeld残差法由Schoenfeld于1982年提出,他定义了一个不依赖于时间的偏残差(Partial residuals)概念,用以检验Cox回归模型的PH假定。

其基本思想为:如果PH假定成立,通过对Cox模型估算的偏残差(即Schoenfeld残差)绘制残差图,理论上它应随时间的变化在0水平线上下随机波动。

但是,有时Schoenfeld残差图中的散点变化趋势难以评价,我们可以利用Lowess(Locally-weighted scatterplot smoothing)平滑函数,来绘制Schoenfeld残差与时间的平滑曲线,从而帮助我们进行判断。理论上在比例风险的无效假设下,这一函数曲线的斜率为0。

在此基础上,我们还需要进一步对Schoenfeld残差与时间秩次的相关性进行检验。其主要原理为:Schoenfeld残差不依赖于时间变量,因此Schoenfeld残差与时间秩次无线性相关性。

其中ρ是Schoenfeld残差与失效时间秩次之间的Pearson相关系数,nu是所有的非截尾观测数。

如果某协变量的风险比随着时间增加,则检验统计量z趋向正值,如果风险比随着时间下降,则检验统计量z趋向负值。如果假设检验证明ρ=0,则可认为该协变量满足PH假定条件,适宜进行Cox回归分析。