找了好久，中文的竞争风险模型的学习资料好少哦，再加上帮粉丝做了一个竞争模型的分析，今天顺带就给大家写一个竞争风险回归的例子。也是接着上一篇文章的续R数据分析：竞争风险模型的做法和解释

实例描述

我们有177例干细胞移植的急性白血病患者，我们关心这些病人的白血病复发情况，但是记住，因为白细胞移植，其移植相关死亡风险也加大。那么死亡和复发存在竞争关系，毕竟病人有可能还没等到复发就死了嘛，所以做数据分析的时候要考虑。对于这样的数据我们应该用风险竞争模型。

同时我们更关心协变量比如说病人性别，白血病类型，移植时期，干细胞来源等等这些变量是如何影响病人白血病复发风险的。

我们的数据长这样：

其中ftime为时间变量，status为删失或者竞争事件，我们要用到的预测变量包括Age, Sex, D, Phase, and Source共4个，分别代表病人的年龄，性别，疾病类型，阶段，干细胞来源。

首先我们必须将预测变量中的因子类型转化为哑变量，我们需要构建一个哑变量转化函数：

factor2ind <- function(x, baseline)
{xname <- deparse(substitute(x))n <- length(x)x <- as.factor(x)if(!missing(baseline)) x <- relevel(x, baseline)X <- matrix(0, n, length(levels(x)))X[(1:n) + n*(unclass(x)-1)] <- 1X[is.na(x),] <- NAdimnames(X) <- list(names(x), paste(xname, levels(x), sep = ":"))return(X[,-1,drop=FALSE])
}

factor2ind()这个函数就可以很方便的将因子转化为n-1列的矩阵，同时规定参考水平。

接下来要做的就是把所有预测变量进行绑定，形成预测变量矩阵：

x <- cbind(Age,factor2ind(Sex,'M'),factor2ind(D,'ALL'),factor2ind(Phase,'Relapse'),factor2ind(source))

有了这个预测变量矩阵我们就可以开始拟合我们竞争风险模型了，主要要用到crr这个函数，这个函数最简单的模式就是你把随访事件喂给它，把结局事件喂给它，再把自变量喂给他，要注意删失数据编码为0，主要事件编码为1，竞争事件为2：

mod1 <- crr(ftime,Status,x)
summary(mod1)

可以看到，我们的竞争回归模型就拟合好了。

结果的第一部分首先给出了各个变量的系数和相对风险relative risk exp(β̂j)，标准误，z值和p值，在我们的结果中，可以看出只有Phase这个变量是显著的。

结果的第二部分就给出各个变量的相对风险the relative risk for each term, exp(β̂j), and a 95% confidence interval和置信区间。

如何解释呢？

The relative risk or subdistribution hazard ratio for a categorical covariate is the ratio of subdistribution hazards for the actual group with respect to the baseline, with all other covariates being equal. If the covariate is continuous then the relative risk refers to the effect of a one unit increase in the covariate, with all other covariates being equal. In our data, exp(−0.0352)=0.965 is the relative risk of a female with respect to a male, and exp(−0.0185)=0.982 is the relative risk for a 1 year increase in age.

对于分类变量来说，相对风险就是相对于参考水平，该水平的风险是多少。对于连续变量来说，相对风险解释为自变量每增加一个单位产生的效果。在我们的例子中就有女性相对于男性的风险为exp(−0.0352)=0.965；病人的年龄每增加一岁白血病复发的风险相对于不增加为exp(−0.0185)=0.982。

小结

今天给大家写了竞争风险回归模型的做法和结果解释，感谢大家耐心看完，自己的文章都写的很细，代码都在原文中，希望大家都可以自己做一做，请关注后私信回复“数据链接”获取所有数据和本人收集的学习资料。如果对您有用请先收藏，再点赞转发。

也欢迎大家的意见和建议。

如果你是一个大学本科生或研究生，如果你正在因为你的统计作业、数据分析、论文、报告、考试等发愁，如果你在使用SPSS,R，Python，Mplus, Excel中遇到任何问题，都可以联系我。因为我可以给您提供最好的，最详细和耐心的数据分析服务。

如果你对Z检验，t检验，方差分析，多元方差分析，回归，卡方检验，相关，多水平模型，结构方程模型，中介调节，量表信效度等等统计技巧有任何问题，请私信我，获取最详细和耐心的指导。

If you are a student and you are worried about you statistical #Assignments, #Data #Analysis, #Thesis, #reports, #composing, #Quizzes, Exams.. And if you are facing problem in #SPSS, #R-Programming, #Excel, Mplus, then contact me. Because I could provide you the best services for your Data Analysis.

Are you confused with statistical Techniques like z-test, t-test, ANOVA, MANOVA, Regression, Logistic Regression, Chi-Square, Correlation, Association, SEM, multilevel model, mediation and moderation etc. for your Data Analysis...??

Then Contact Me. I will solve your Problem...

加油吧，打工人！

往期内容：

R数据分析：Lasso回归筛选变量构建Cox模型并绘制列线图

R数据分析：ROC曲线与模型评价实例

R文本挖掘：文本主题分析topic analysis

R文本挖掘：词云图怎么做，worldcloud2初识

R数据分析：竞争风险模型的做法和解释二相关推荐

R数据分析：生存分析的做法和结果解释
今天给大家写写生存分析: Survival analysis corresponds to a set of statistical approaches used to investigate th ...
R数据分析：生存分析与有竞争事件的生存分析的做法和解释
今天被粉丝发的文章给难住了,又偷偷去学习了一下竞争风险模型,想起之前写的关于竞争风险模型的做法,真的都是皮毛哟,大家见笑了.想着就顺便把所有的生存分析的知识和R语言的做法和论文报告方法都给大家梳理一遍 ...
R语言Fine-Gray竞争风险模型实战
R语言Fine-Gray竞争风险模型实战目录 R语言Fine-Gray竞争风险模型实战竞争风险模型(Fine & Gray模型)
R数据分析：工具变量回归的做法和解释，实例解析
什么是工具变量,以及什么是孟德尔随机化,以及孟德尔随机化怎么实现都给大家写了(大家去翻翻之前的文章呀),因为孟德尔随机化的工具变量是基因变量,所以我们会用专门的R包去做,普通的工具变量研究,我们要用的 ...
Fine-Gray检验、竞争风险模型、列线图绘制
竞争风险模型(Competing Risk Model)适用于多个终点的生存数据,传统的生存分析(survival analysis) 一般只关心一个终点事件(即研究者感兴趣的结局).将其他事件均按删 ...
R数据分析：潜在转化分析LTA的做法和解释（一）
之前给大家写了很多潜在类别分析的教程Mplus教程:如何做潜在类别分析LCA R数据分析:用R语言做潜类别分析LCA Mplus数据分析:潜在类别分析(LCA)流程(详细版) R数据分析:再写潜在类别 ...
R数据分析：纵向数据如何做中介，交叉滞后中介模型介绍
看似小小的中介,废了我好多脑细胞,这个东西真的不简单,从7月份有人问我,我多重中介,到现在的纵向数据中介,从一般的回归做法,到结构方程框架下的路径分析法,到反事实框架做法,从中介变量和因变量到是连续变 ...
R数据分析：潜增长模型LGM的做法和解释，及其与混合模型对比
今天收到了北京大学老师打来的电话,问我如果没有被数据科学方向的导师录取,愿不愿意去读生物统计的博士. 我婉拒了,些许遗憾,但不后悔,原因全是个人选择,读博挺好的,但是我决定换一种环境,去工作了. 从去 ...
R数据分析：如何做数据的非线性关系，多项式回归的做法和解释
线性关系其实是最常见也是最有效,同时还是最好解释的,不过变量间复杂的关系我们用多项式回归做出来可能会更加的准确.刚好有位粉丝的数据需要用到多项式回归,今天就给大家写写. 要理解非线性关系,首先我们看看 ...
r语言 svycoxph_R语言-Cox比例风险模型
Cox比例风险模型(cox proportional-hazards model),简称Cox模型是由英国统计学家D.R.Cox(1972)年提出的一种半参数回归模型.该模型以生存结局和生存时间为应 ...

R数据分析：竞争风险模型的做法和解释二

实例描述

我们的数据长这样：

小结

往期内容：

R数据分析：竞争风险模型的做法和解释二相关推荐

最新文章

热门文章