Coxph vs. Flexsurvreg: противоречивые предсказания ковариатных эффектов - PullRequest
Новая
       45

Coxph vs. Flexsurvreg: противоречивые предсказания ковариатных эффектов

0 голосов
/ 05 июня 2019

Я использую модель пропорциональных рисков Кокса для эвристического набора данных о операционных задержках с двумя ковариатами: стоимость и спрос: 

> dat.op
   delay   censor cost demand
1 2.875000      1 3.10   0.1
2 1.569444      1 0.68   0.1
3 2.000000      1 6.05   0.2
4 1.750000      1 5.22   0.1
5 2.000000      1 4.67   0.3
6 3.000000      1 9.30   1.4

При coxph оба ковариаты, как и ожидалось, оказывают отрицательное влияние на уровень опасности с коэффициентами -0.0813 и -2.5490. Другими словами (игнорируя высокие значения p на данный момент), затраты и спрос способствуют увеличению операционной задержки: 

> coxph(Surv(delay, censor) ~ cost + demand, data=dat.op)
Call:
coxph(formula = Surv(delay, censor) ~ cost + demand, data = dat.op)

          coef exp(coef) se(coef)     z    p
cost   -0.0813    0.9219   0.3909 -0.21 0.84
demand -2.5490    0.0782   3.6635 -0.70 0.49

Likelihood ratio test=3.35  on 2 df, p=0.187
n= 6, number of events= 6

Однако, когда я провожу данные через flexsurvreg, чтобы также получить параметрические оценки базового распределения опасности (при условии обычно используемого Вейбулла), я наблюдаю разные эффекты: 

> flexsurvreg(Surv(delay, censor) ~ cost + demand, data=dat.op, dist="weibull")
Call:
flexsurvreg(formula = Surv(delay, censor) ~ cost + demand, data = dat.op, 
    dist = "weibull")

Estimates: 
        data mean  est      L95%     U95%     se       exp(est)  L95%     U95%   
shape        NA     5.2163   2.7040  10.0627   1.7487       NA        NA       NA
scale        NA     2.5223   1.3762   4.6226   0.7796       NA        NA       NA
cost     4.8367    -0.0427  -0.2119   0.1264   0.0863   0.9582    0.8091   1.1348
demand   0.3667     0.3943  -0.4005   1.1891   0.4055   1.4834    0.6700   3.2842

N = 6,  Events: 6,  Censored: 0
Total time at risk: 13.19444
Log-likelihood = -3.914008, df = 4
AIC = 15.82802

Здесь спрос имеет коэффициент 0.3943, предполагая, что он уменьшает задержку в работе, что бессмысленно.

Переходя к распределению Gompertz, теперь я вижу, что стоимость уменьшает задержку при работе: 

> flexsurvreg(Surv(delay, censor) ~ cost + demand, data=dat.op, dist="gompertz")
Call:
flexsurvreg(formula = Surv(delay, censor) ~ cost + demand, data = dat.op, 
    dist = "gompertz")

Estimates: 
        data mean  est        L95%       U95%       se         exp(est)   L95%       U95%     
shape          NA   2.27e+00   7.05e-01   3.83e+00   7.97e-01         NA         NA         NA
rate           NA   6.10e-03   2.36e-05   1.58e+00   1.73e-02         NA         NA         NA
cost     4.84e+00   2.56e-01  -6.92e-01   1.21e+00   4.84e-01   1.29e+00   5.00e-01   3.34e+00
demand   3.67e-01  -2.26e+00  -6.98e+00   2.46e+00   2.41e+00   1.04e-01   9.27e-04   1.17e+01

N = 6,  Events: 6,  Censored: 0
Total time at risk: 13.19444
Log-likelihood = -4.208994, df = 4
AIC = 16.41799

Я неправильно интерпретирую эти flexsurvreg результаты? Есть ли способ получить оценки параметров Вейбулла из набора выходных данных, более соответствующих оценкам из coxph?

...