热度 2|
生存分析(二十四)
上几篇博文,小胖向大家简单介绍了Cox PH model的参数估计,那有了参数估计,那怎么进行假设检验呢?最为常见的有两种检验方法即Wald Z-tests和likelihood ratio tests。
1. Wald Z-tests
对于大样本量(主要指的是events)的研究,参数估计是近似正态分布的。那么我们就可以通过参数估计值及其标准误来建立统计量。此时,检验无效假设为βi=0,而统计量Z即参数估计值与其标准误的比值服从标准正态分布。
2. Likelihood ratio tests
由于Cox PH model是基于likelihood的方法,因此我们也可以通过Likelihood ratio tests进行检验。具体方法就是计算两个模型的对数似然函数值,一个为简单模型,另一个为复杂模型,其中复杂模型相比较简单模型增加了你要检验的变量。通过似然值的高低来判断这两个模型哪一个更适合。通俗地理解,如果简单模型适合,那么你在复杂模型中增加的变量就没有显著意义,如果复杂模型适合,那么你在复杂模型中增加的变量就有显著意义。而具体怎么来判断呢?Likelihood ratio tests就提供了下边这个公式:
LR = 2*(lnL1-lnL2)
其中L1为复杂模型的似然值,L2为简单模型的似然值。
LR近似符合卡方分布,自由度为复杂模型中增加的变量的个数。
大多数情况下,Wald Z-tests和likelihood ratio tests的结果相似,但可能不会完全相同。当样本量比较大或者说hazard ratio接近1的时候,两者的结果越接近。而对于那些events比较少的研究,likelihood ratio tests给出的p值更为精确,因此这时推荐likelihood ratio tests。统计学家们也一般认为likelihood ratio tests比Wald Z-tests有更好的统计特性。
手机版|会员|至尊|接种|公卫人 ( 沪ICP备06060850号-3 )
GMT+8, 2024-5-17 14:13 , Processed in 0.031339 second(s), 6 queries , Gzip On, MemCached On.
Powered by Discuz! X3.4
© 2001-2023 Discuz! Team.