这个问题涉及到在使用因素的Cox PH回归中,当默认参考水平被子集化时,危险比参考水平会发生什么变化,特别是在coxph子集操作中是否可以改变这种行为。
应用程序是有原因的风险,因此我想要灵活地分析多个变量的子集 - 每个竞争风险一个 - 而不需要创建所有原因数据集的多个实例。(注意:这是探索性的,不是测试假设。)
定义一个虚构的数据框,它的行为合理(例如具有统计学显著性,没有太多警告)。
在上一个例子中,我如何“强制”引用为B而不是C?
应用程序是有原因的风险,因此我想要灵活地分析多个变量的子集 - 每个竞争风险一个 - 而不需要创建所有原因数据集的多个实例。(注意:这是探索性的,不是测试假设。)
定义一个虚构的数据框,它的行为合理(例如具有统计学显著性,没有太多警告)。
smpls = 50
df <- data.frame(time=c(sample.int(10,smpls, replace=TRUE),
sample.int(20,smpls, replace=TRUE),
sample.int(30,smpls, replace=TRUE)),
status=1,
x=as.factor(c(rep("A",smpls),
rep("B",smpls),
rep("C",smpls))))
加载相关库...
require(survival)
进行基本情况,输出B和C的HR系数,以因素A为参考...
coxph(Surv(time, status) ~ x, df)
然后将A因子进行子集化。这似乎会选择因子C作为因子B系数的参考。
coxph(Surv(time, status) ~ x, df, subset=x!="A")
在上一个例子中,我如何“强制”引用为B而不是C?