Analyse de la régression de Cox
La régression de Cox crée un modèle de prévision pour les données de la durée à l'événement. Le modèle génère une fonction de survie qui prévoie la probabilité d'occurrence de l'événement étudié à un instant t donné pour les valeurs fournies pour les variables de prédicteur. La forme de la fonction de survie et les coefficients de régression des prédicteurs sont estimés à partir des sujets observés. Le modèle peut alors être appliqué aux nouvelles observations présentant des mesures pour les variables de prédicteur. Les informations provenant de sujets censurés, à savoir celles qui ne rencontrent pas l'événement étudié au moment de l'observation, contribuent de manière utile à l'estimation du modèle.
Exemple. Les hommes et les femmes sont-ils égaux face au risque de développement du cancer du poumon lié à la consommation de tabac ? Lorsque vous construisez une régression de Cox, avec la consommation de tabac (nombre de cigarettes fumées par jour) et le sexe de l'individu entrés en tant que covariables, vous pouvez tester les hypothèses en fonction des effets du sexe et de la consommation sur le temps jusqu'à l'apparition d'un cancer du poumon.
Statistiques: Pour chaque modèle : –2LL, statistique du rapport de vraisemblance et khi-carré global. Pour les variables du modèle : estimations de paramètres, erreurs standard et statistiques de Wald. Pour les variables hors du modèle : statistiques de score et khi-carré résiduel.
Remarques sur les données de la régression de Cox
Données. La variable de temps doit être quantitative, et la variable de statut peut être qualitative ou continue. Les variables indépendantes (covariables) doivent être continues ou qualitatives. S'il s'agit de variables qualitatives, elles doivent être factices ou codées par indicateurs (il existe une option dans la procédure pour recoder automatiquement les variables qualitatives). Les variables de strates doivent être qualitatives, codées en tant que nombres entiers ou chaînes alphanumériques courtes.
Hypothèses: Les observations doivent être indépendantes et le taux de risque doit être constant dans le temps. Cela signifie que la proportionnalité des risques d'une observation à une autre ne doit pas varier dans le temps. Cette dernière hypothèse est connu sous le nom d'hypothèse des risques proportionnels.
Procédures apparentées : Si l'hypothèse des risques proportionnels n'est pas satisfaite, vous devez utiliser la régression de Cox avec prédicteur chronologique. Si vous n'utilisez pas de covariable, ou si vous ne disposez que d'une seule covariable catégorielle, vous pouvez employer les Tables de survie ou la procédure de Kaplan-Meier pour étudier les fonctions de survie ou de risque pour votre échantillon. Si vous n'avez pas de données censurées dans votre exemple (c'est-à-dire que chaque observation contient un événement final), vous pouvez utiliser la régression linéaire pour modéliser la relation entre les prédicteurs et la durée jusqu'à l'événement.
Obtenir une analyse par la régression de Cox
Cette fonction requiert Tableaux personnalisés et statistiques avancées.
- A partir des menus, sélectionnez :
- Sélectionnez une variable de temps. Les observations dont les valeurs de date sont négatives ne sont pas analysées.
- Sélectionnez une variable de statut, puis cliquez sur Définir l'événement.
- Sélectionnez une ou plusieurs covariables. Pour inclure des termes d'interaction, sélectionnez toutes les variables impliquées dans l'interaction, puis cliquez sur > a*b>.
Vous pouvez également calculer des modèles distincts pour les différents groupes. Pour cela, définissez une variable de strates.
Cette procédure reproduit la syntaxe de commande COXREG .