Qual é a diferença entre os diferentes tipos de resíduos na análise de sobrevivência (regressão de Cox)?

9

Eu sou bastante novo na análise de sobrevivência. Fui aconselhado a procurar e aprender os resíduos de Schoenfeld como parte de um diagnóstico de modelo para verificar se a suposição de risco proporcional foi atendida. Ao pesquisar isso, vi referências a muitos tipos diferentes de resíduos, incluindo:

  • Cox-Snell
  • Desvio
  • Martingale
  • Ponto
  • Schoenfeld

Quais são as diferenças entre esses resíduos e quando é recomendado usar um sobre o outro? (Fico feliz por respostas que são simplesmente links para artigos para serem lidos.)

Gowerc
fonte

Respostas:

14

Os resíduos de Cox-Snell , são usados ​​para avaliar a qualidade do ajuste de um modelo. Ao traçar o resíduo de Cox-Snell contra a função de risco cumulativo, o ajuste de um modelo pode ser avaliado. Um modelo de ajuste de poço exibirá uma linha linear através da origem com um gradiente unitário. Deve-se notar que será necessário um modelo particularmente inadequado para que os resíduos de Cox-Snell se desviem significativamente disso. Também não é incomum ver alguns saltos leves ocorrendo nas extremidades do gráfico. Uma crítica aos resíduos de Cox-Snell é que eles não são responsáveis ​​por observações censuradas; portanto, os resíduos de Cox-Snell ajustados foram criados por Crowley e Hu (1977), segundo os quais o resíduo padrão de Cox-Snell, poderia ser usado para observações erCirCirCi+Δpelo qual , é usado para ajustar o residual.Δ=log(2)=0.693

Os resíduos de Martingale podem ser definidos como que é uma opção que assume o valor 0 se a observação é censurada e 1 se a observação é sem censura. Os resíduos de Martingale assumem um valor entre para observações sem censura erMirMi=δirCiδiii[1,][0,]para observações censuradas. Os resíduos de Martingale podem ser usados ​​para avaliar a verdadeira forma funcional de uma covariável específica (Thernau et al. (1990)). Muitas vezes, é útil sobrepor uma curva LOESS sobre esse gráfico, pois eles podem ser barulhentos em gráficos com muitas observações. Os resíduos de Martingale também podem ser usados ​​para avaliar discrepantes no conjunto de dados em que a função sobrevivente prediz um evento muito cedo ou muito tarde; no entanto, geralmente é melhor usar o residual de desvio para isso.

Um desvio residual, que orDi=sgn(rMi)2rMi+δilog(δirMi)sgnassume um valor de 1 para resíduos positivos de martingale e -1 para um resíduo negativo de martingale. Um resíduo de alto valor absoluto é indicativo de um erro externo. Um desvio residual de valor positivo é indicativo de uma observação segundo a qual o evento ocorreu antes do previsto; o inverso é verdadeiro para resíduos com valor negativo. Ao contrário dos resíduos de Martingale, os resíduos de desvio são médios em torno de 0, tornando-os significativamente mais fáceis de interpretar do que os resíduos de Martingale ao procurar valores extremos. Uma aplicação de resíduos de desvio é a retirada do conjunto de dados com apenas um parâmetro modelado e o teste de diferenças significativas nos coeficientes dos parâmetros à medida que cada observação é removida. Uma mudança significativa indicaria uma observação altamente influente.

Os resíduos de Schoenfeld são ligeiramente diferentes, pois cada resíduo corresponde a uma variável, não a uma observação. O uso de resíduos de Schoenfeld é para testar a suposição de riscos proporcionais. Grambsch e Thernau (1994) propuseram que os resíduos de Schoenfeld em escala poderiam ser mais úteis. Ao traçar o tempo do evento contra o resíduo de Schoenfeld para cada variável, a aderência das variáveis ​​à premissa de PH pode ser avaliada ajustando uma curva LOESS ao gráfico. Uma linha reta que passa por um valor residual de 0 com gradiente 0 indica que a variável satisfaz a suposição de PH e, portanto, não depende do tempo. Os resíduos de Schoenfeld também podem ser avaliados através de um teste de hipótese.

Tom Pinder
fonte
1. Os resíduos de Cox-Snell são plotados como: vs ou: vs 2. A fórmula de resíduos de desvio precisa de alguns ajustes: 3. Além disso, veja aqui . H^(rCi)rCilog[H^(rCi)]log[rCi]rDi=sgn(rMi)2[rMi+δilog(δirMi)]
Fliphoes 28/01/19