解釋 R coxph() cox.zph()
我的結果
coxph()很重要，但cox.zph()測試也很重要。根據我的理解， 的重要性
cox.zph()意味著 Cox 模型不適合模擬我的協變量和因變量之間的關係。原因是這種關係不是線性的，而 Cox 模型只考慮線性關係。我想知道我的協變量和生存之間是否存在關係。測試結果是否會使
cox.zph()測試結果無效coxph()？
zph()通過對變換時間使用 Schoenfeld 殘差來檢查比例假設。具有非常小的 p 值表明您需要注意與時間相關的係數。也就是說，比例假設不檢查線性 - Cox PH 模型是半參數的，因此不對危險的形式做出任何假設。比例假設是個人的危險率在時間上是相對恆定的，這就是cox.zph()測試的內容。如果協變量破壞了假設，則可能需要修復，因為存在時間相關係數。為了解決這個問題，您可以將係數與顯式時間進行交互，或者使用基於繪製的殘差的分層。有關執行此操作的詳細指南，請在此處查看我的答案：Extended Cox model and cox.zph
如果不採取任何措施，它可能會使結果無效，其方式類似於打破線性回歸假設的方式。
編輯：
持有文憑對求職時長與沒有文憑的影響。相同的場景： coxph() 和 zph() 很重要。我可以說持有文憑對求職時間有影響嗎？
很可能是的，你可以這麼說。但是，鑑於比例假設測試失敗，您不能相信擁有文憑的係數（讓我們稱之為）。Cox 模型假設效應有時間找工作（讓我們稱之為) 在時間上是恆定的。這意味著如果增加 35% 的找到工作的百分比，這種增加與時間無關。
在這種情況下未通過比例假設，因為當
cox.zph()測試顯著時，需要進行調整。如果的係數隨時間線性變化（即，找工作花費的時間越多，擁有文憑的相對好處線性下降），而不是你需要添加一個交互：. 在這種情況下，價值將是最初的（在有文憑和沒有文憑之間的區別），並且交互意味著該初始值隨著時間的每一個單位（小時/天等）的減少/增加。但是你計算時間）。這樣做並cox.zph()再次檢查。如果它無關緊要，您可能會保留它。在特定時間點改變係數更具有理論意義。