Коксова пропорційна модель небезпеки та інтерпретація коефіцієнтів при взаємодії у вищих випадках

Ось підсумок-висновок використовуваної нами Coxph-моделі (я використав R, а результат заснований на найкращій кінцевій моделі, тобто всі значущі пояснювальні змінні та їх взаємодії включені):

 coxph(formula = Y ~ LT + Food + Temp2 + LT:Food + LT:Temp2 + 
Food:Temp2 + LT:Food:Temp2) # Y<-Surv(Time,Status==1)

n = 555

               coef         exp(coef)          se(coef)      z           Pr(>|z|)     
LT             9.302e+02      Inf             2.822e+02    3.297        0.000979 *** 
Food           3.397e+03      Inf             1.023e+03    3.321        0.000896 *** 
Temp2          5.016e+03      Inf             1.522e+03    3.296        0.000979 *** 
LT:Food        -2.250e+02    1.950e-98        6.807e+01    -3.305       0.000949 *** 
LT:Temp2       -3.327e+02    3.352e-145       1.013e+02    -3.284       0.001022 ** 
Food:Temp2     -1.212e+03    0.000e+00        3.666e+02    -3.307       0.000942 *** 
LT:Food:Temp2   8.046e+01    8.815e+34        2.442e+01     3.295       0.000986 *** 
--- 
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Rsquare= 0.123   (max possible= 0.858 ) 
Likelihood ratio test= 72.91  on 7 df,   p=3.811e-13 
Wald test            = 55.79  on 7 df,   p=1.042e-09 
Score (logrank) test = 78.57  on 7 df,   p=2.687e-14 

Питання:

Як інтерпретувати значення коефіцієнта та exp (coef) у цьому випадку, оскільки вони дуже великі? Також бере участь 3-випадкова взаємодія, що більше плутає інтерпретацію.

Всі приклади, що стосуються Coxph-моделі, яку я знайшов до цих пір в Інтернеті, були дуже простими щодо термінів інтеркації (які завжди виявлялися незначними), а також коефіцієнтів-значень (= коефіцієнти небезпеки) та показники цих (= коефіцієнти небезпеки) були досить малі та "прості в обробці" числа, наприклад коефіцієнт = 1,73 -> exp (coef) = 5,64. Але моє набагато більше, як видно з підсумкових даних (вище). А оскільки вони настільки великі, то, здається, вони не мають жодного сенсу.

Здається, трохи смішно думати, що виживання становить, наприклад, 8,815e + 34 (коефіцієнт небезпеки, взятий під час взаємодії LT: Їжа: Temp2) в рази нижче, коли взаємодія збільшується на одну одиницю (?).

Насправді я не знаю, як інтерпретувати цю взаємодію у трьох випадках. Чи означає це, що коли всі змінні у взаємодії збільшуються на одну одиницю, виживаність зменшується на певну кількість (про що говорить exp (coef)-value)?

Було б чудово, якщо хтось може мені тут допомогти. :)

Нижче наведена частина мого опису даних, яку я використав для аналізу коксу. Тут ви бачите, що я багато разів використовував одне і те ж значення пояснювальної змінної (тобто LT, Food та Temp2) протягом декількох "змінних часу, статусної відповіді". Ці пояснювальні змінні значення є вже середніми значеннями цих змінних (через налаштування польових робіт у природі, неможливо було отримати індивідуальне пояснювальне змінне значення для кожної спостережуваної відповіді індивідуума, отже, середні значення, використовувані вже на цій фазі ), і це відповість на пропозицію 1 (?) (див. першу відповідь).

Пропозиція 2 (див. Першу відповідь): Я використовую R, і я ще не супер бог у ньому. :) Таким чином, якщо я використовую функцію передбачення (cox.model, type = "очікуваний"), я отримую величезну кількість різних значень і не маю поняття, на яку пояснювальну змінну вони посилаються і в якому порядку. Або можна виділити певний термін взаємодії у функції передбачення? Я не впевнений, чи даю тут зрозуміти себе.

Пропозиція 3 (див. 1-ю відповідь): у нижній частині опису даних нижче можна побачити одиниці різних пояснювальних змінних. Всі вони різні і включають десятки. Чи може це мати щось спільне з результатом роботи Кокса?

Частина аркуша даних:

Time (days)     Status      LT(h) Food (portions per day) Temp2 (ºC)
28                0         14.42        4.46             3.049
22                0         14.42        4.46             3.049
9                 1         14.42        4.46             3.049
24                0         15.33        4.45             2.595
24                0         15.33        4.45             2.595
19                1         15.33        4.45             2.595

Ура, Юнна

Кілька пропозицій, які не стосуються безпосередньо CoxPH, а взаємодії та колінеарності

1) Коли ви отримуєте такі "шалені" цінності, як ці, одна з можливостей - це колінеарність. Це часто є проблемою, коли у вас взаємодія. Ви зосереджували всі свої змінні (віднімаючи середнє значення від кожної)?

2) Ви не можете інтерпретувати одну взаємодію між багатьма досить легко. LT, їжа та temp2 - усі вони беруть участь у багатьох взаємодіях. Отже, подивіться на передбачувані значення з різних комбінацій.

3) Перевірте одиниці різних змінних. Коли ви отримуєте шалені параметри, іноді це проблема одиниць (наприклад, вимірювання зросту людини в міліметрах або кілометрах)

4) Після того, як ви виправите цей матеріал, я вважаю, що найпростіший спосіб подумати про ефекти різних взаємодій (особливо тих, які мають вищий рівень) - це графік прогнозованих значень із різними комбінаціями незалежних значень.