Взаимодействия в модели пропорциональных рисков Кокса: проблема между контрастами и двумя категориальными факторами

Мне нужна помощь, чтобы понять, как работает функция coxph () в R, и как правильно интерпретировать вывод.

Я пытаюсь запустить модель пропорциональных рисков Кокса на наборе данных «анализа выживаемости» с двумя факторами: полом и генотипом. Фактор пола имеет две категориальные переменные: «m» для мужчин и «f» для женщин. Фактор генотипа имеет три категориальные переменные: «Ctrl», «nKO», «CRE_Ctrl». Я хочу увидеть, есть ли взаимодействие, поэтому я сделал:

library(survival)
Survival = Surv(time = D$Age, event = D$outcome) #D is my dataframe, Age is time of death, outcome is the column for censored individuals.

Кроме того, я хочу увидеть следующие контрасты: «nKO vs Ctrl» и «nKO vs CRE_Ctrl». Таким образом, я установил nKO в качестве базовой линии для моих контрастов, используя эту строку:

D$Genotype = relevel(D$Genotype, ref = "nKO")
colnames(contrasts(D$Genotype)) = c(' (nKO vs CRE_Ctrl)', ' (nKO vs Ctrl)')

Итак, в конце я запускаю эту последнюю строку:

coxph(data = mydata, formula = Survival ~ Sex * Genotype)

Результат выглядит так:

                                   coef exp(coef) se(coef)      z        p
Sexm                            -0.5769    0.5616   0.2294 -2.514 0.011925
Genotype (nKO vs CRE_Ctrl)      -0.9983    0.3685   0.2593 -3.850 0.000118
Genotype (nKO vs Ctrl)          -0.4072    0.6655   0.2461 -1.654 0.098034
Sexm:Genotype (nKO vs CRE_Ctrl)  0.5940    1.8111   0.3483  1.705 0.088147
Sexm:Genotype (nKO vs Ctrl)      0.5607    1.7520   0.3444  1.628 0.103539

Ладно, похоже, у меня есть все, что я хочу. Однако я заметил одну вещь! Когда я меняю базовую линию для фактора пола на «m» вместо «f», как указано выше, я получаю другой результат:

D$Sex = relevel(D$Sex, ref = "m")
coxph(data = D, formula = Survival ~ Sex * Genotype)

                                   coef exp(coef) se(coef)      z      p
Sexf                             0.5769    1.7805   0.2294  2.514 0.0119
Genotype (nKO vs CRE_Ctrl)      -0.4044    0.6674   0.2438 -1.658 0.0972
Genotype (nKO vs Ctrl)           0.1536    1.1660   0.2406  0.638 0.5232
Sexf:Genotype (nKO vs CRE_Ctrl) -0.5940    0.5521   0.3483 -1.705 0.0881
Sexf:Genotype (nKO vs Ctrl)     -0.5607    0.5708   0.3444 -1.628 0.1035

Вы можете видеть, что у меня есть противоположный вывод для Sexf, Sexf: Genotype (nKO vs CRE_Ctrl) и Sexf: Genotype (nKO vs Ctrl), что я понимаю. Но не для Genotype (nKO vs CRE_Ctrl), Genotype (nKO vs Ctrl), что я не понимаю. Итак, я не понимаю, что здесь происходит. Почему мои контрасты для фактора генотипа без взаимодействий, кажется, зависят от исходного уровня из фактора пола? В самом деле, вы даже можете видеть, что значения p значимы с 'f' в качестве базовой линии (первый вывод coxph) для контрастов моих генотипов, тогда как значения p не значимы, когда 'm' является базовой линией (второй вывод coxph). Итак, какому из них доверять?

Вы можете объяснить мне, почему это происходит? Это мой первый анализ выживания, и я могу не знать многих вещей, касающихся этого типа анализов.

Заранее благодарим за ответы,


r interaction categorical-data survival-analysis cox-regression
person CroixJeremy_2    schedule 28.04.2020    source источник

Ответы (1)


arrow_upward
1
arrow_downward

Вы делаете частую ошибку. Интерпретация модельных прогнозов для моделей взаимодействия не должна фокусироваться на интерпретации основных эффектов. (К сожалению, этот факт не понимают многие учителя статистики, и довольно часто можно услышать, как даже опытные пользователи статистики пытаются говорить о значении коэффициентов основных эффектов в терминах взаимодействия.) Не существует «контрастов для фактора генотипа без взаимодействий». , хотя это было бы в модели без взаимодействия. Поскольку вы построили модель взаимодействия, коэффициенты генотипа можно интерпретировать только при одновременном указании одного или другого пола. Вместо этого вам следует сосредоточиться на прогнозах и сравнении конкретной комбинации переменных. Это то, что подразумевает модель взаимодействия, то есть вам нужно знать обе переменные одновременно. У вас действительно есть 6 различных возможных ситуаций, поэтому, когда вы выбираете новую эталонную ситуацию, неудивительно, что все относительные риски по сравнению с новой эталонной ситуацией все меняются.

Коэффициенты пола неявно сопоставляются с одним и тем же референтным уровнем переменной Генотип. Вот что позволяет абсолютным значениям быть одинаковыми. В случае nKO vs CRE_Ctrl обратите внимание, что -0,4044 -0,5940 равно -0,9984, что совпадает с -0,9983 с точностью до ошибки округления. И для генотипа (nKO vs Ctrl); -0,4072 + 0,5607 равно 0,1536 с точностью до ошибки округления. Вы смотрите на те же различия в масштабе журнала, но с «разных точек зрения».

Если бы у нас были данные для работы, мы могли бы лучше проиллюстрировать это, сделав такие прогнозы.

person IRTFM    schedule 29.04.2020
comment
Спасибо за быстрый ответ. Вот мой фрейм данных, доступный на Github: github.com/CroixJeremy2/Data-frame- для переполнения стека. Так что вы можете лучше проиллюстрировать, как вы упомянули. Итак, насколько я понял, у меня нет доступа к контрастам для фактора генотипа, когда я запускаю модель с взаимодействием. Так что я должен делать? Запустить модель без взаимодействия, чтобы получить доступ к контрастам, а затем запустить модель с взаимодействием, чтобы увидеть взаимодействия? Вы сказали, что предсказания и сравнения определенной комбинации переменных, вы можете объяснить мне, что это будет? - person CroixJeremy_2; 29.04.2020
comment
Знаете ли вы ссылку или веб-страницу, где я мог бы узнать больше об этом типе анализа с помощью coxph () с моделями, которые включают взаимодействия и контрасты? Потому что у меня такое ощущение, что я не все понимаю, и что тема сложная, поэтому я беспокоюсь, что неправильно интерпретирую свои данные ... - person CroixJeremy_2; 29.04.2020
comment
Вы можете начать с stats.idre .ucla.edu / r / faq / how-can-i-test-contrasts-in-r. Одним из форумов SE, который больше соответствует вашим надеждам на объяснение связи между результатами и теорией, является CrossValidated.com. Я часто рекомендовал Стратегии регрессионного моделирования Фрэнка Харрелла людям, которые хотят более глубокого изучения теории, хотя я не могу вспомнить, подробно ли рассматривается эта тема. - person IRTFM; 06.05.2020