Ereigniszeiten Werner Statistische...
Transcript of Ereigniszeiten Werner Statistische...
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Statistische Analysevon Ereigniszeiten II
Cox-Regression Analysis
Werner Brannath
VO Biostatistik im WS 2006/2007
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Inhalt
1 Beispiel 1: Daten zur Nephrektomie
2 Cox-Regression
3 Stratifizierung
4 Linkszensierung
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Daten zur Nephrektomie
Studie zur Untersuchung der Wirksamkeit derNephrektomie (Nierenentfernung) bei Patienten mitNierentumoren. Insgesamt 37 Patienten.
Alle 37 Patienten bekamen Chemo- undImmuntherapie, 29 Pat. zusätzlich Nephrektomie.
Die Zielvariable ist die Zeit zwischen Behandlung undTod oder Studienende (teilweise rechtszensiert).
Kovariablen:age . . . Alter bei Krankheitsbeginn in den drei Klassen
Jahre < 60 , 60− 70 Jahre, Jahre > 70.nephrectomy . . . 1=ja/0=nein
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Daten zur Nephrektomie
nephrectomy age time status nephrectomy age time status
0 1 9 1 1 1 36 10 1 6 1 1 1 48 10 1 21 1 1 1 26 10 2 15 1 1 1 108 10 2 8 1 1 1 5 10 2 17 1 1 2 108 00 3 12 1 1 2 26 11 1 104 0 1 2 14 11 1 9 1 1 2 115 11 1 56 1 1 2 52 11 1 35 1 1 2 5 01 1 52 1 1 2 18 11 1 68 1 1 2 36 11 1 77 0 1 2 9 11 1 84 1 1 3 10 11 1 8 1 1 3 9 11 1 38 1 1 3 18 11 1 72 1 1 3 6 1
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Kaplan-Meier Kurven derNephrektomie-Gruppen
0 20 40 60 80 100
0.0
0.2
0.4
0.6
0.8
1.0
Time (month)
Sur
viva
l Pro
babi
lity
Nephrectomy
noyes
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Kaplan-Meier Kurven derAltersgruppen-Gruppen
0 20 40 60 80 100
0.0
0.2
0.4
0.6
0.8
1.0
Time (month)
Sur
viva
l Pro
babi
lity
Age Groups
< 6060 − 70> 70
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Log-Rank-Tests
> survdiff(Surv(time,status)~nephrectomy,data=hneph)N Observed Expected (O-E)^2/E (O-E)^2/V
nephrectomy=0 7 7 2.46 8.408 10.5nephrectomy=1 29 25 29.54 0.699 10.5
Chisq= 10.5 on 1 degrees of freedom, p= 0.00122
> survdiff(Surv(time,status)~age,data=hneph)N Observed Expected (O-E)^2/E (O-E)^2/V
age=1 19 17 19.59 0.3424 1.0150age=2 12 10 10.77 0.0554 0.0952age=3 5 5 1.64 6.9042 8.2183
Chisq= 8.3 on 2 degrees of freedom, p= 0.0161
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Daten zur Nephrektomie
Weitere Fragestellungen:
Zwischen welchen Altersgruppen gibt es signifikanteUnterschiede?
Wie ist der gemeinsame Einfluss von Alter undNephrektomie;bzw. hat die Nephrektomie eine Enfluss auf dasÜberleben, wenn man das Alter berücksichtigt?
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Hazards
T die Zeit bis zum Ereignis (z.B. Tod).Die Hazard zum Zeitpunkt t is definiert als
h(x1, . . . , xp) = lims→0
1s
P(t ≤ T ≤ t + s |T ≥ t , x1, . . . , xp)
Wenn das Zeitintervall [t , t + s] sehr kurz ist, dann ist
h(t , x1, . . . , xp) · s ≈ P(t ≤ T ≤ t + s |T ≥ t , x1, . . . , xp)
die bedingte Wahrscheinlichkeit, dass das Ereignis imZeitintervall [t , t + s] stattfindet gegeben, dass dasEreignis nicht schon vor t stattgefunden hat und dieWerte x1, . . . , xp der Kovariablen.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Proportionalität der Hazards(Proportional hazard assumption)
Nehmen an, dass die Hazards h(t) von den Kovariablengleichmässig (d.h. für alle Zeiten um den gleichen Faktor)redzuiert oder erhöht werden:
h(t , x1, . . . , xp) = h0(t) · f (x1, . . . , xp)
h0(t) . . . sogen. Baselinehazard
f (x1, . . . , xp) . . . eine positve Regressionsfunktion.
Beachte:- Die Regressionsfunktion f (x1, . . . , xp) ist unabhängig von t .- h0(t) ist die Hazard eines Patienten mit f (x1, . . . , xp) = 1
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Cox-Regression
Häufig setzt man die Regressionsfunktion wie folgt an:
f (x1, . . . , xp) = exp(β1 x1 + · · ·+ βp xp)
= exp(β′ x)
mit β = (β1, . . . , βp) und x = (x1, . . . , xp).
Das ergibt folgende Hazardfuntionen:
h(t , x1, . . . , xp) = h0(t) · exp(β′ x)
Die Baselinehazard h0(t) und die Regressionskoeffizientenβ = (β1, . . . , βp) werden aus den Daten geschäzt.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Daten zur NephrektomieCox-Regression für Altersklassen
> hneph.cox_a<-coxph(Surv(time,status)~factor(age),>+ data=hneph); summary(hneph.cox_a)n= 36
coef exp(coef) se(coef) z pfactor(age)2 0.101 1.11 0.420 0.240 0.8100factor(age)3 1.514 4.55 0.581 2.608 0.0091
exp(coef) exp(-coef) lower .95 upper .95factor(age)2 1.11 0.904 0.485 2.52factor(age)3 4.55 0.220 1.457 14.19
Rsquare= 0.148 (max possible= 0.993 )Likelihood ratio test= 5.79 on 2 df, p=0.0554Wald test = 7.09 on 2 df, p=0.0288Score (logrank) test = 8.4 on 2 df, p=0.0150
→ Überleben in Klasse > 70 signifikant kürzer als in Klasse< 60; kein signifikanter Unterschied zwischen Klassen < 60und 60− 70.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Daten zur NephrektomieCox-Regression für Alter und Nephrektomie
> age3 <- ifelse(hneph$age==3,1,0)> hneph.cox_a3n<-coxph(Surv(time,status)~age3+nephrectomy,>+ data=hneph)> summary(hneph.cox_a3n)
n= 36coef exp(coef) se(coef) z p
age3 1.35 3.864 0.566 2.39 0.0170nephrectomy -1.41 0.245 0.514 -2.73 0.0063
exp(coef) exp(-coef) lower .95 upper .95age3 3.864 0.259 1.2741 11.719nephrectomy 0.245 4.078 0.0895 0.672
Rsquare= 0.291 (max possible= 0.993 )Likelihood ratio test= 12.4 on 2 df, p=0.00207Wald test = 14.4 on 2 df, p=0.000759Score (logrank) test = 17.6 on 2 df, p=0.000155
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Maximum-Likelihood-Schätzer von β
t(1) ≤ t(2) ≤ · · · ≤ t(m) alle geordneten Ereigniszeitpunkte.
Nehmen zuerst an, dass immer nur ein Ereignis proZeitpunkt eintritt [keine Bindungen (ties)].
x(i) Kovariablenvektor des Individuums mit Ereignis bei ti
Ri Indexmenge der Indiv. unter Risiko unmittelbar vor ti
Maximieren sogn. Partial-Likelihood:
L(β) = Πmi=1
exp(β′ x(i))∑h∈Ri
exp(β′ xh)
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Anmerkungen
Unter Risiko bei t(i) sind (meistens) alle Individuuen, diebis kurz vor dem Zeitpunkt t(i) weder zensiert sind nochein Ereignis hatten.
Das Maximum der Partial-Likelihood kann durchnumerisches Lösen des Gleichungssystems
Uj(β1, . . . , βp) =∂
∂βjlog L(β1, . . . , βp) = 0, j = 1, . . . , p
bestimmt werden. Man nennt Uj(β) den Score für βj .
Die Partial-Likelihood ist unabhängig von derBaselinehazard.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Daten zur Nephrektomie, sortiertnach time
time status nephrectomy age time status nephrectomy age5 1 1 1 26 1 1 15 0 1 2 26 1 1 26 1 0 1 35 1 1 16 1 1 3 36 1 1 18 1 0 2 36 1 1 28 1 1 1 38 1 1 19 1 0 1 48 1 1 19 1 1 1 52 1 1 19 1 1 2 52 1 1 29 1 1 3 56 1 1 1
10 1 1 3 68 1 1 112 1 0 3 72 1 1 114 1 1 2 77 0 1 115 1 0 2 84 1 1 117 1 0 2 104 0 1 118 1 1 2 108 1 1 118 1 1 3 108 0 1 221 1 0 1 115 1 1 2
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Behandlung von Bindungen (Ties)
Oft gibt es Bindungen (ties), d.h. mehr als ein Ereignis proZeitpunkt.
Methoden zur Behandlung von Bindungen, die durchGruppierung einer stetigen Ereigniszeit enstehen:
Breslow’s Approximation
Efron’s Approximation
Gemittelte Partial-Likelihood(average partial likelihood)
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Partial-Likelihood mit Bindungen
Partial-Likelihood ohne Bindungen ist Produkt von
ri∑l∈Ri
rlmit rl = exp{β Xl}
Beispiel: 5 Patienten unter Risiko, zwei haben Ereignisgleichzeitig. Zwei Möglichkeiten für die Partial-Likelihood.(
r1
r1 + r2 + r3 + r4 + r5
)·(
r2
r2 + r3 + r4 + r5
)(
r2
r1 + r2 + r3 + r4 + r5
)·(
r1
r1 + r3 + r4 + r5
)
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Breslow’s Approximation
Approximation von Breslow (1972) und Peto (1972)(r1
r1 + r2 + r3 + r4 + r5
)·(
r2
r1 + r2 + r3 + r4 + r5
)
Der unbekannte Nenner des Produktes wird durcheinen Nenner ersetzt, der immer grösser ist als derunbekannte wahre Nenner;unterschätzt die Koeffizienten β (liegen näher bei 0);ist die ungenaueste Methode;ist aber auch die numerische einfachsteund daher “default” in vielen Softwareprodukten.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Efron’s Approximation
Bei der Approximation von Efron werden die zwei möglichenNenner des zweiten Terms gemittelt:(
r1
r1 + r2 + r3 + r4 + r5
)·(
r2
(1/2) r1 + (1/2) r2 + r3 + r4 + r5
)
ist numerisch kaum aufwendiger als Breslow’sMethode;ist wesentlich genauer als Breslow’s Approximation;wenn r1 = r2, dann liefert Efron’s Approximation diewahre Partial-Likelihood;ist Default-Methode in S-Plus und R.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Efron’s Approximation
Wenn drei Ereignisse gruppiert, dann 3! = 6 Möglichkeitenfür Partial-Likelihood.
Efron’s Approximation:
r1 · r2 · r3 ·(
1r1 + r2 + r3 + r4 + r5
)·
(1
(2/3) r1 + (2/3) r2 + (2/3) r3 + r4 + r5
)·(
1(1/3) r1 + (1/3) r2 + (1/3) r3 + r4 + r5
)
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Gemittelte Partial-Likelihood
Ist Mittelwert aller Möglichkeiten für die Partial-Likelihood.
Formel von DeLong et al. (1994)Term mit d Bindungen und n Individuen unter Risiko∫ ∞
0Πd
l=1
[1− exp
(rl · t
rl+1 + · · ·+ rn
)]e−t dt
In SAS als exact Option implemtiert;in S-Plus und R nicht implementiert.Ist trotz Formel von DeLong et al. (1994) sehrrechenaufwendig.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Diskrete Methode (nicht für gruppierte Zeiten)
Bindungen kommen nicht durch Gruppierung stetigerZeiten, sondern durch diskrete Zeiten zustande.
Term mit d Bindungen und n Individuen unter Risiko:
r1 r2 · · · rd∑(k1,...,kd )∈S(d ,n) rk1 · · · rkd
, rk =λ0(ti)
1− λ0(ti)e β Xk (ti )
S(d , n) Teilmengen von {1, . . . , n} vom Umfang d .
Schnellerer Algorithmus von Gail et al. (1981).
in S-Plus und R method=“exact” Option.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Empfehlung bezüglich diskreter Methode
Diskrete Methode nur im Falle von diskreten und nichtim Falle von gruppierten stetigen Zeiten verwenden.
In diskreter Methode ist β Log-Odds einer linearenlogistischen Hazard.
In Modellen mit stetiger Zeit ist β relativerRisko-Parameter einer log-linearen Hazard.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Empfehlung für zeitstetige Modelle
Efron’s Approximation ist besser als Breslow’sApproximation.
Efron’s Approximation ist kaum rechenaufwendigerals Breslow’s Approximation.
Efron’s Approximation meisst nahe bei gemittelterPartial-Likelihood.
Bei starken Bindungen (viele Ereignisse pro Zeit)unbedingt Efron’s Approximation verwenden.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Daten zur Nephrektomie
> coxph(Surv(time,status)~age3+nephrectomy,data=hneph,>+ method=’breslow’)
coef exp(coef) se(coef) z page3 1.34 3.804 0.562 2.38 0.017nephrectomy -1.41 0.244 0.514 -2.75 0.006
Likelihood ratio test=12.2 on 2 df, p=0.00229 n= 36
> coxph(Surv(time,status)~age3+nephrectomy,data=hneph,>+ method=’efron’)
coef exp(coef) se(coef) z page3 1.35 3.864 0.566 2.39 0.0170nephrectomy -1.41 0.245 0.514 -2.73 0.0063
Likelihood ratio test=12.4 on 2 df, p=0.00207 n= 36
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Daten zur Nephrektomie
Falsche Wahl:
> coxph(Surv(time,status)~age3+nephrectomy,data=hneph,>+ method=’exact’)
coef exp(coef) se(coef) z page3 1.51 4.507 0.605 2.49 0.0130nephrectomy -1.55 0.213 0.542 -2.85 0.0043
Likelihood ratio test=13.1 on 2 df, p=0.00140 n= 36
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Daten zur NephrektomieCox-Regression für Alter und Nephrektomie
> summary(hneph.cox_a3n)
n= 36coef exp(coef) se(coef) z p
age3 1.35 3.864 0.566 2.39 0.0170nephrectomy -1.41 0.245 0.514 -2.73 0.0063
exp(coef) exp(-coef) lower .95 upper .95age3 3.864 0.259 1.2741 11.719nephrectomy 0.245 4.078 0.0895 0.672
Likelihood ratio test= 12.4 on 2 df, p=0.00207Wald test = 14.4 on 2 df, p=0.000759Score (logrank) test = 17.6 on 2 df, p=0.000155
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Likelihood-Ratio-Test für β1 = · · · = βp = 0
β̂ . . . Vektor der Maximum-Likelihood-Schätzer
l(β) = log L(β) . . . Logarithmus der Partial-Likelihood
Teststatistik
2 · {l(β̂)− l(0)}
ist asymptotisch χ2-verteilt mit p Freiheitsgraden
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Wald-Test für β1 = · · · = βp = 0
β̂ . . . Vektor der Maximum-Likelihood-Schätzer
I(β̂) . . . Hessematrix von l(β) bei β = β̂(wird Informationsmatrix genannt)
Teststatistik ist die Quadratische Form
β̂′ I(β̂) β̂
und ist asymptotisch χ2-verteilt mit p Freiheitsgraden.
Im Fall einer Kovariable: β̂2/se(β̂)2
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Score-Test für β1 = · · · = βp = 0
U(β) = (U1(β), . . . , Up(β)) . . . Scorevektor
I(0)−1 . . . Inverse der Informationsmatrix bei β = 0
Teststatistik ist die Quadratische Form
U(0)′ I(0)−1 U(0)
und ist asymptotisch χ2-verteilt mit p Freiheitsgraden.
Im Fall einer kategoriellen Kovariable (Gruppen) equivalentzum Log-Rank-Test.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Tests für β1 = · · · = βp = 0
Alle drei Test sind asymptotisch equivalent.
Log-Likelihood-Ratio-Test wird als der verlässlichsteTest angesehen.
Wald-Test wird als der unverlässlichste Testangesehen.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Wald-Tests für βi = 0
> print(hneph.cox_a3n)
coef exp(coef) se(coef) z page3 1.35 3.864 0.566 2.39 0.0170nephrectomy -1.41 0.245 0.514 -2.73 0.0063
Likelihood ratio test= 12.4 on 2 df, p=0.00207
Wald-Teststatistik für Hi0 : βi = 0
β̂i/seβ̂i∼ N(0, 1)
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Analysis of Deviance
> anova(hneph.cox_a3n,test=’Chisq’)
Analysis of Deviance TableCox model: response is Surv(time, status)
Terms added sequentially (first to last)
Df Deviance Resid. Df Resid. Dev P(>|Chi|)NULL 36 176.6age3 1 5.7 35 170.9 0.017nephrectomy 1 6.6 34 164.2 0.010
Likelihood-Ratio-Test für Hi0 : βi = 0:
2{l(β̂1, β̂2, . . . , β̂p)− l(0, β̂2, . . . , β̂p)} ∼ χ21
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Hazardraten und Konfidenzintervalle
> age3 <- ifelse(hneph$age==3,1,0)> hneph.cox_a3n<-coxph(Surv(time,status)~age3+nephrectomy,>+ data=hneph)> summary(hneph.cox_a3n)...
exp(coef) exp(-coef) lower .95 upper .95age3 3.864 0.259 1.2741 11.719nephrectomy 0.245 4.078 0.0895 0.672
...
Wald-Konfidenzintervalle für Hazard-Raten exp(β̂i)
CIi,1−α =(
exp(β̂i − z1−α/2 · seβ̂i), exp(β̂i + z1−α/2 · seβ̂i
))
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Stratifizierte Cox-Modelle
Die Beobachtungseinheiten gehören zu Kverschiedenen Gruppen Gk , k = 1, . . . , K ,z.B. aus K verschiedenen Studienzentren.
Die Baselinhazard ist zwischen den Gruppenverschieden; Hazard für Individuum i aus Gruppe Gk :
λi(t) = λk (t) exp(β · Xi(t))
Man bedingt in der Partial-Likelihood nun auch aufdie Gruppe innnerhalb der das Ereignis stattfindet.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 1: Daten zur NephrektomieCox-Regression stratifiziert nach Alter
> summary(coxph(Surv(time,status)~strata(age)+nephrectomy,>+ data=hneph))
n= 36coef exp(coef) se(coef) z p
nephrectomy -1.31 0.270 0.54 -2.42 0.015
exp(coef) exp(-coef) lower .95 upper .95nephrectomy 0.270 3.7 0.0939 0.779
Rsquare= 0.14 (max possible= 0.962 )Likelihood ratio test= 5.42 on 1 df, p=0.0199Wald test = 5.87 on 1 df, p=0.0154Score (logrank) test = 6.57 on 1 df, p=0.0104
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Zeitskalen
Bei der Modellierung von Ereigniszeiten sind verschiedeneZeitskalen möglich:
KalenderzeitZeit seit Studieneinschluss (individuell)Zeit seit Diagnose (individuell)Alter (Zeit seit Geburt; individuell). . .
Die Interpretation von Baseline-Hazard und Hazardratenhängt von der Zeitskala ab!
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel für Linkszensierung
Studie zur Untersuchung des Effektes von L-dopa fürPatienten mit Parkinsonscher Krankheit.
Zeitskala soll Zeit seit Diagnose sein.Einschluss der Patienten kann nach Diagnose erfolgen.
→ Zeit seit Diagnose 6= Zeit seit Einschluss in Studie.Patient erst nach Einschluss unter Risiko!
Beispiel:Patient 1175 Tage nach Diagnose eingeschlossen undbis zum Tag 3052 beobachtet;
→ Risiko-Intervall ist (1175, 3052] und nicht (0, 3052].Beobachtung des Patienten ist linkszensiert.
Analyse vonEreigniszeiten
II
WernerBrannath
Inhalt
Beispiel 1
Cox-RegressionCox-Modelle
Parameter-schätzung
Bindungen
Tests for β = 0
Wald-Test fürKoeffizienten
Analysis of Deviance
Konfidenzintervalle
Stratifizierung
Links-zensierung
Beispiel 2:Knochenmarks-Transplantationsdaten
Studie mit Leukemiepatienten nach Knochenmarks-transplantation.Zielvariable ist Zeit bis Tod oder Rückfall(disease-free-survival)Patienten sind unter Risiko erst nachdem Blutplättchen-zahl wieder stabil, was erst einige Zeit nach derTransplantation der Fall sein kann.Kovariablen:g . . . Patientengruppe (ALL, AML low, AML high risk)agepat . . . Alter des Patientenagedon . . . Alter des Spendersfab . . . morphologische Klassifition FABmtx . . . Einsatz von MTX (ja/nein)