Як генерувати передбачувані криві виживання у крихких моделях (використовуючи R coxph)?

Я хочу обчислити передбачувану функцію виживання для моделі пропорційної небезпеки Кокса з термінами крихкості [використовуючи пакет виживання]. Виявляється, що, коли в моделі є терміни слабкості, прогнозовану функцію виживця неможливо обчислити.

## Example 
require(survival)
data(rats)

## Create fake weight
set.seed(90989)
rats$weight<-runif(nrow(rats),0.2,0.9)

## Cox model with gamma frailty on litter
fit <- coxph(Surv(time, status) ~ rx+weight+frailty(litter,dist="gamma"),
data = rats) 

## Compute survival curve from the cox model for rx=0 and weight=0.5 kg
plot(survfit(fit, newdata=data.frame(rx=0,weight=0.5)),xlab = "time",
ylab="Survival") 

## Running this line, I get following error message:
Error in survfit.coxph(fit, newdata = data.frame(rx = 0, weight = 0.5)) : 
Newdata cannot be used when a model has sparse frailty terms

Я спробував використовувати як розріджені, так і нерідкі методи обчислення, використовуючи sparse=TRUE, Sparse =FALSE, sparse =0, sparse=5параметри. Однак ніхто не працював.

Як я можу обчислити прогнозовану криву виживання на основі моєї моделі кволості?

Проблема тут така ж, як і при спробі передбачити результати за допомогою лінійної моделі змішаних ефектів. Оскільки крива виживання не є розбірною, у кожному прикладі у вашому прикладі є специфічна крива виживання відповідно до обраної вами моделі. Як вам відомо, крихка така ж, як випадковий перехоплення, що вказує на загальні рівні заплутаних та прогностичних змінних, ендемічні для кожного посліду, імовірно, щодо генетичних ознак. Тому лінійний предиктор для коефіцієнта небезпеки являє собою сукупність спостережуваних фіксованих ефектів та випадкових наслідків сміття. На відміну від змішаних моделей, модель Кокса відповідає терміну крихкості з пеналізованою регресією, пристосований об'єкт класу coxph-penalі методу для нього немає survreg.coxph-penal, тому спроби створення лінійного предиктора провалюються. Є пара обхідних шляхів.

1. Просто підходимо до граничної моделі з центральними коваріатами.

2. Відцентруйте коваріати, розмістіть 1, потім підгоніть модель випадкових ефектів, використовуючи coxmeта витягуйте випадкові ефекти, додайте їх до лінійного прогноктора зі зміщенням для обчислення кривої виживання страту для кожного посліду.

3. Виконайте 2 та маргіналізуйте їх, усереднюючи всі криві виживання разом, окремим підходом до встановлення граничної моделі.

4. Використовуйте фіксовані ефекти або шари в граничній моделі Кокса, щоб передбачити різні криві виживання для кожного посліду.