Як інтерпретувати Exp (B) в регресії Кокса?

Я студент-медик, який намагається зрозуміти статистику (!) - тож будь ласка, будь ласка! ;)

Я пишу есе, що містить неабияку кількість статистичного аналізу, включаючи аналіз виживання (регрес Каплана-Мейєра, Регрес-Рейтингу та Кокса).

Я провів регрес Кокса за своїми даними, намагаючись з’ясувати, чи можу я виявити значну різницю між смертністю пацієнтів у двох групах (пацієнти з високим ризиком або низьким ризиком).

Я додав декілька коваріатів до регресії Кокса, щоб контролювати їх вплив.

Risk (Dichotomous)
Gender (Dichotomous)
Age at operation (Integer level)
Artery occlusion (Dichotomous)
Artery stenosis (Dichotomous)
Shunt used in operation (Dichotomous)

Я вилучив оклюзію артерії зі списку коваріатів, оскільки її SE був надзвичайно високим (976). Усі інші ПП складають від 0,064 до 1,118. Ось що я отримую:

                    B       SE      Wald    df  Sig.    Exp(B)  95,0% CI for Exp(B)
                                                                Lower   Upper
    risk            2,086   1,102   3,582   1   ,058    8,049   ,928    69,773
    gender         -,900    ,733    1,508   1   ,220    ,407    ,097    1,710
    op_age          ,092    ,062    2,159   1   ,142    1,096   ,970    1,239
    stenosis        ,231    ,674    ,117    1   ,732    1,259   ,336    4,721
    op_shunt        ,965    ,689    1,964   1   ,161    2,625   ,681    10,119

Я знаю, що ризик є важливим лише на кордоні при 0,058. Але крім того, як я інтерпретую значення Exp (B)? Я читав статтю про логістичну регресію (яка дещо схожа на регресію Кокса?), Де значення Exp (B) тлумачилося як: "Перебування в групі високого ризику включає в себе в 8 разів збільшення можливості результату", яка в цьому випадку - смерть. Чи можу я сказати, що мої пацієнти з високим рівнем ризику в 8 разів частіше помирають раніше, ніж ... що?

Будь ласка, допоможи мені! ;)

До речі, я використовую SPSS 18 для запуску аналізу.

Взагалі, - це співвідношення небезпек між двома особами, значення яких$\exp(\hat\beta_1)$$x_1$ відрізняються на одну одиницю, коли всі інші коваріати підтримуються постійними. Паралельно з іншими лінійними моделями полягає в тому, що в регресії Кокса функція небезпеки моделюється як $h(t)=h_0(t)\exp(\beta'x)$ , де $h_0(t)$ - базова небезпека. Це еквівалентно тому, що $\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$ . Тоді одиничне збільшення$x_i$ пов'язане зізбільшенням$\beta_i$ коефіцієнта небезпеки журналу. Коефіцієнт регресії дозволяє таким чином кількісно оцінити журнал небезпеки в групі лікування (порівняно з контрольною або плацебо-групою), що враховує коваріати, що входять до моделі; він трактується як відносний ризик (при умові, що не змінюються часом коефіцієнти).

У випадку логістичної регресії коефіцієнт регресії відображає коефіцієнт коефіцієнта коефіцієнта шансів , отже, інтерпретацію як ризик k-кратного збільшення. Так, так, інтерпретація коефіцієнтів небезпеки подібна до інтерпретації коефіцієнтів шансів.

Не забудьте ознайомитись з веб-сайтом Дейва Гарсона, де є хороші матеріали про регресію Кокса з SPSS.

Я не статистик, а доктор медичних наук, намагаючись розібратися у світі статистики.

$\exp(B)$$1/\exp(B)$$\exp(B) = 0.407$$1/0.407 = 2.46$

$\exp(B) > 1$$\exp(B) = 1.259$

$\exp(B) = 1$$\exp(B)$

З вашого аналізу, здається, що жодна з ваших змінних не є важливими прогнозами (на рівні знаку 5%) вашої кінцевої точки, хоча бути пацієнтом з "високим ризиком" має граничне значення.

Читаючи книгу " Посібник з виживання SPSS ", Джулі Паллант, ймовірно, просвітить вас далі про цю (і більше) тему.