Cox回归模型【⽣存分析】参考：《复杂数据统计⽅法——基于R的应⽤》吴喜之在⽣存分析中，研究的主要对象是寿命超过某⼀时间的概率。
还可以描述其他⼀些事情发⽣的概率，例如产品的失效、出狱犯⼈第⼀次犯罪、失业⼈员第⼀次找到⼯作、青少年第⼀次吸毒等等。
⽣存函数S(t)：S(t)=P(T>t)=1-P(T<=t),t>0T:表⽰寿命的随机变量t:特定时间综合⽣存函数图：⽤到包survival案例：⼝腔癌数据实验分成两组：TX=1：仅放疗TX=2：放疗+化疗#读取数据u=read.csv("pharynx1.csv")#因⼦化定性变量x=1:11(x=x[-c(5,11)]) #去掉第五个和第11个（定性变量的下标）for(i in x) u[,i]=factor(u[,i]) #把定性变量从数值型转换成因⼦型#回归分析a=lm(TIME~.,data=u)summary(a)R2和调整R2不⾼，结果不理想。
同时正态性条件不满⾜，所以检验得到的p-值也没有多⼤意义。
对TIME做指数变换，Box-Cox变换是统计建模中常⽤的⼀种数据变换，⽤于连续的响应变量不满⾜正态分布的情况。
MASS包中的boxcox()函数可以寻找λ。
#BOX-COX变换library(MASS)b=boxcox(TIME~.,data=u)I=which(b$y==max(b$y)) #which⽤于找到值在数组中的位置使对数似然最⼤的λ位置b$x[I]尝试⽤TIME的0.4次⽅作为因变量来拟合数据a=lm(TIME^0.4~INST+SEX+TX+AGE+COND+T.STAGE+N.STAGE+STATYS,data=u)b=step(a)summary(b)anova(b)shapiro.test(b$res)拟合并不好。
cox回归系数-回复中括号内的主题是"cox回归系数"，下面是一篇关于cox回归系数的1500-2000字的文章。
标题：Cox回归系数解析及其在生存分析中的应用导言：在医学、生物学、社会科学等领域，生存分析是一种重要的统计方法，用于研究个体在暴露于特定风险因素的情况下生存的概率。
Cox回归是生存分析中最常用的方法之一，它通过估计危险比来研究不同因素对生存时间的影响。
本文将详细介绍Cox回归系数的概念、计算方法以及在生存分析中的应用。
第一部分：Cox回归系数的概念和原理Cox回归是一种半参数模型，它基于部分概率比假设，既可以考虑危险度函数的形状又可以估计其与协变量之间的关系。
Cox回归模型中的关键参数是回归系数，它表示与协变量相关的风险因素对生存时间的影响大小。
回归系数可以理解为协变量影响生存时间变化速率的权重。
第二部分：Cox回归系数的计算方法Cox回归模型是基于最大似然估计的方法计算回归系数。
在使用Cox回归进行生存分析时，需要选择合适的协变量，并利用Cox回归模型估计回归系数。
估计过程中，通过将观察样本的生存时间和危险状态与协变量进行比较，计算每个协变量的风险比，然后利用最大似然估计法来估计回归系数。
最终，可以得到每个协变量的Cox回归系数及其对应的置信区间。
第三部分：Cox回归系数在生存分析中的应用Cox回归系数的应用十分广泛，特别是在生存分析中。
通过分析回归系数，可以确定哪些协变量对生存时间有显著影响。
例如，在医学研究中，Cox 回归系数可以用来评估不同因素对患者生存率的影响，以制定个性化的治疗方案；在社会科学研究中，可以通过回归系数分析探讨各种社会因素对个体生存时间的影响。
此外，Cox回归系数还可用于预测生存概率和制定风险评估模型。
结论：Cox回归系数是生存分析中重要的统计量，它能够量化不同协变量对生存时间的影响，为研究人员提供了深入了解个体生存概率的工具。
无论在医学、生物学还是社会科学领域，Cox回归系数的应用都非常广泛。
第十二章生存分析及COX回归在临床医学中, 对病人治疗效果的考查. 一方面可以看治疗结局的好坏，另一方面还可以通过治疗时间的长短来衡量。
例如某种疾病治愈的时间, 某癌症病人手术后的存活时间等, 把这类与时间有关的资料统称为生存资料。
生存资料一般通过随访收集，从某标准时刻(发病、手术或出院等)开始，按某种相等或不等时间间隔，对观察对象定期观察预定项目所得的资料，它的结局是死亡，治愈、复发、阳性等。
但在临床上，往往由于各种原因：(1)因迁移原因失去联系；(2)死于其他原因而造成失访；(3)预定终止结果迟迟不发生，致使在一定时期内，一部分病例得不到确切的生存期，但它们提供了其生存期长于观察期的信息，这种数据称为删失数据，也称截尾数据或终检值(censored data)，包含终检值的数据即为不完全数据。
处理这类数据的统计分析方法称为生存分析。
它包括三个方面的内容1）生存过程的描述，主要是生存率的估计；2）生存过程的比较；3）影响因素的分析。
§12.1 生存率的估计生存率估计常用的有两种方法乘积极限法和寿命表法。
1乘积极限法又称Kaplan-Meier 法适用于小样本资料。
基本思想：将生存时间由小到大依次排列，在每个死亡点上，计算其期初人数、死亡人数、死亡概率、生存概率和生存率。
CHISS实现：点击重复测量→生存分析→乘积极限法应用举例：例12-1某疗法治疗白血病后的存活月数为： 2+,13,7+,11+,6,1,11,3,17,7。
试估计其生存率。
带“＋”为存活终检值。
解步骤：1 进入数据模块此数据库已建立在CHISS\data文件夹中，文件名为：a9_0生存分析.DBF。
打开数据库点击数据→文件→打开数据库表找到文件名为：a9_0生存分析.DBF →确认2 进入统计模块进行统计计算点击重复测量→生存分析→乘积极限法时间变量： time 终检值指标：censor→确认3 进入结果模块查看结果点击结果乘积限估计法生存分析, 数据来自文件: C:\CHISS\Data\a9_0生存分析.DBF数据过滤条件：━━━━━━━━━━━━━━━━━━━秩观察死亡观察生存率次时间序号数生存率标准误(i) t(i) (j) n(i) S(j) Ss(j)───────────────────0 0 0 10 1.0000 ...1, 1 1 10 0.9000 0.09492, 2+ ... 9 ... ...3, 3 2 8 0.7875 0.13404, 6 3 7 0.6750 0.15515, 7 4 6 0.5625 0.16516, 7+ ... 5 ... ...7, 11 5 4 0.4219 0.17378, 11+ ... 3 ... ...9, 13 6 2 0.2109 0.172610, 17 7 1 0.0000 ...━━━━━━━━━━━━━━━━━━━注：删失数据为1。
