Bagaimana cara menafsirkan istilah interaksi dalam model bahaya proporsional Cox?

8

Bagaimana saya harus menginterpretasikan istilah interaksi berikut 2 prediktor berkelanjutan dalam output dari model bahaya proporsional Cox?

Rasio Bahaya untuk interaksi X dan Y adalah> 1, yang berarti log-nya (koefisien asli) adalah 0-1 (~ 0,16). Masing-masing item memiliki HR kurang dari satu, dan koefisien X = -0,18 dan Y = -0,11.

    |   Variable                   | HR (s.e.)     | p value  
-----------------------------------------------------------  
    1 A (5 points)                 |0.756 (0.088)  |    0.001 |      
    2 B (5 points)                 |1.379 (0.11)   |    0.001 |      
    3 X  (10 points)               |0.837 (0.033)  |    0.0011|      
    4 Y  (1 point)                 |0.895 (0.03)   |     0.001|      
    5 X (10 points)x Y (1 point)   |1.016 (0.006)  |    0.011 | 

Efek peningkatan 10 poin dalam X, dengan Y = 0 adalah untuk menurunkan tingkat "kematian" sebesar 16%. Efek dari peningkatan 1 poin dalam Y, dengan X = 0, adalah untuk mengurangi tingkat kematian sebesar 10,5%.

Apa efek peningkatan satu poin pada Y terhadap efek peningkatan 10 poin pada tingkat kematian?

X memiliki rentang 0 hingga 90. Y memiliki kisaran 0 hingga 10.

Dengan peningkatan satu poin pada Y, apakah efek peningkatan 10-poin pada X meningkat dari 16% menjadi (16% + 1,6%) = 17,6%, atau apakah penurunannya 1,6% menjadi 14,4%?

Pikir saya sudah lurus tapi sekarang sangat macet di sini.

rosser
sumber

Jawaban:

2

Untuk model di luar yang paling sederhana (dan sebuah interaksi membuatnya menjadi tidak sederhana) Saya lebih suka melihat prediksi daripada mencoba menafsirkan koefisien secara langsung. Apakah perangkat lunak yang Anda gunakan agar sesuai dengan model juga melakukan prediksi untuk serangkaian x dan y yang diberikan? (banyak jika tidak semua melakukannya). Anda kemudian dapat membuat prediksi untuk pasien dengan (x, y) berikut: (0,0), (0,1), (10,0), dan (10,1) dan melihat bagaimana mereka membandingkan (atau mungkin menggunakan nilai-nilai lebih bermakna, seperti mulai dari mean atau median dan kemudian pergi 1, 10 unit arah manapun). Prediksi sederhana adalah kelangsungan hidup rata-rata atau sedang, tetapi jika mungkin benar-benar bagus untuk analisis kelangsungan hidup untuk merencanakan 4 (atau lebih) prediksi kurva survival (warna berbeda). Plot / perbandingan ini sering memperjelas arah dan besarnya efek.

Greg Snow
sumber
1

Apakah Anda menemukan jawabannya? Saya juga ingin tahu itu. Saya pikir interpretasinya seperti ini: Dengan peningkatan satu poin di dan 10 poin di , risiko kematian meningkat 1,6% dan ini signifikan. Dengan menjaga konstan, peningkatan mengurangi risiko (sebesar 16,3%) dan dengan menjaga konstan, peningkatan mengurangi risiko (sebesar 10,5%) tetapi ketika keduanya bekerja bersama, keduanya meningkatkan risiko kematian. Kami juga dapat memeriksa ini jika kami memiliki nilai koefisien untuk bahaya awal ( ), ( ), ( ) danYXXYYXβ0Xβ1Yβ2X×Y ( ). Jika tidak ada interaksi maka . Saya bukan ahli statistik. Tolong koreksi saya jika saya salah.β3exp(β3)=exp(β1+β2β0)

Andy
sumber