热度 2|
生存分析(二十二)
上篇博文中,小胖把抽彩票和Cox PH model相对应起来了,现在我们再进一步解释一下:
Patient |
TIME |
STATUS |
FAMILY |
001 |
1 |
1 |
0 |
002 |
2 |
1 |
1 |
003 |
3 |
0 |
0 |
004 |
4 |
1 |
1 |
注:TIME:生存时间
STATUS :1 代表死亡 0代表censoring
FAMILY: 家族史 1代表有 0代表无
根据上边这个例子,我们可以建立下面这个Cox PH model:
h(t)=h0(t)*exp(β1*FAMILY)
那么受试者的hazard如下:
Patient |
HAZARD |
001 |
h0(t)*exp(0) |
002 |
h0(t)*exp(β1) |
003 |
h0(t)*exp(0) |
004 |
h0(t)*exp(β1) |
从上边这个表可以看出,受试者的hazard取决于是否有家族史。
下边我们来看一下似然函数的构建思路:
TIME=1年时,所有4个病人都有可能死亡,因此001病人死亡的概率应该为001病人的hazard除以所有4个病人的hazard的总和,即[h0(t)*exp(0)]/[h0(t)*exp(0)+ h0(t)*exp(β1)+ h0(t)*exp(0)+ h0(t)*exp(β1)];TIME=2年时,由于001病人在1年时死掉了,因此这时只剩下3个病人,这时002病人死亡的概率应该为002病人的hazard除以002,003和004三个病人hazard的总和,即[h0(t)*exp(β1)]/[ h0(t)*exp(β1)+ h0(t)*exp(0)+ h0(t)*exp(β1)]; 003病人在TIME=3年时censoring,而在TIME=4年时,只剩下004一个病人了,那么此时004病人死亡的概率为004病人的hazard除以自己一个人的hazard,即[h0(t)*exp(β1)]/ [h0(t)*exp(β1)]。因此最后似然函数为:
L={[h0(t)*exp(0)]/[h0(t)*exp(0)+ h0(t)*exp(β1)+ h0(t)*exp(0)+ h0(t)*exp(β1)]} ×[h0(t)*exp(β1)]/[ h0(t)*exp(β1)+ h0(t)*exp(0)+ h0(t)*exp(β1)] ×[h0(t)*exp(β1)]/ [h0(t)*exp(β1)]
上边似然函数为三个项目的乘积:
L=L1×L2×L3
L1=[h0(t)*exp(0)]/[h0(t)*exp(0)+ h0(t)*exp(β1)+ h0(t)*exp(0)+ h0(t)*exp(β1)]
L2=[h0(t)*exp(β1)]/[ h0(t)*exp(β1)+ h0(t)*exp(0)+ h0(t)*exp(β1)]
L3=[h0(t)*exp(β1)]/ [h0(t)*exp(β1)]
而这L1 L2 L3对应的则是三个排序的死亡时间点(1,2和4年),而这三个项中分子为在这个时间点死亡的受试者的hazard,分母为这个时间点时剩下的所有受试者的hazard的总和。
因此,Cox PH model的构建是基于observed order of events,而不是基于events的分布,因此从这个意义上来说,Cox PH model的参数估计其实是partial likelihood.
通过上边思路的叙述,大家这时可以和抽彩票例子结合起来理解了吧。。。
手机版|会员|至尊|接种|公卫人 ( 沪ICP备06060850号-3 )
GMT+8, 2024-5-17 10:19 , Processed in 0.027727 second(s), 6 queries , Gzip On, MemCached On.
Powered by Discuz! X3.4
© 2001-2023 Discuz! Team.