时间戳

首页 > 解决方案 > 在 R 中使用 GAMM 混合模型运行 Cox.ph 模型

r - 在 R 中使用 GAMM 混合模型运行 Cox.ph 模型

问题描述

我是使用 GAM 和样条线的新手。我正在运行一个生存模型，在该模型中，我想用两个变量控制的受试者年龄来模拟事件时间。这是使用带有 coxph 的传统生存模型的示例：

 library(survival)
 fit_cox<-coxph(Surv(time, event)~ age+ var1 + var2, data=mydata)

我怀疑 var1 和 var2 与结果之间的关系不是线性的，而且我认为我可以在我的模型中包含随机效应（转向混合效应模型 gamm）。我试过这种语法：

library(mgcv)
fit_surv<-Surv(time, event)
fit_gam<-gam(fit_surv ~ age + s(var1) + s(var2), data = mydata, family = cox.ph())

并包括随机效应：

library(gamm4)
fit_gamm <- gamm4(fit_surv ~ age + s(var1) + s(var2), random = ~(1 | ID), data = mydata, family = cox.ph)

我的问题是： 1. 在 fit_gam 中，我不知道如何总结这个模型并查看系数表和绘制模型。这个错误来找我：

 summary(fit_gam)

“Ops.Surv(w, object$y) 中的错误：对生存时间的无效操作”

  1. 在 fit_gamm 中，我无法运行模型，因为语法出现了一些错误，或者我可能无法包含 surv？错误是：“ncol(x) 中的错误：找不到对象‘x’”

先感谢您！

标签： rsurvival-analysisgamrandom-effects

解决方案

正如评论中提到的，简单的高斯弱点（高斯随机截距）可以直接在mgcv::gam调用中指定，例如通过添加... + s(ID, bs = "re") + ...到您的公式中（注意ID必须是一个因子变量）。

或者，您可以将数据转换为所谓的分段指数数据 (PED) 格式，并使用任何 GA(M)M 软件拟合模型，然后称为分段指数加法混合模型 (PAMM)。这是一个例子：

library(coxme)
library(mgcv)
library(pammtools)

lung <- lung %>% mutate(inst = as.factor(inst)) %>% na.omit()
## cox model with gaussian frailty
cme <- coxme(Surv(time, status) ~ ph.ecog + (1|inst), data=lung)

## pamm with gaussian frailty
ped <- lung %>% as_ped(Surv(time, status)~., id="id")
pam <- gam(ped_status ~ s(tend) + ph.ecog + s(inst, bs = "re"),
  data = ped, family = poisson(), offset = offset)

## visualize random effect:
gg_re(pam)


# compare coxme and pamm estimates:
re <- tidy_re(pam)
plot(cme$frail$inst, re$fit, las=1, xlab="Frailty (cox)", ylab="Frailty (PAM)")
abline(0, 1)


## with gamm4
library(gamm4)
#> Loading required package: Matrix
#> Loading required package: lme4
#> 
#> Attaching package: 'lme4'
#> The following object is masked from 'package:nlme':
#> 
#>     lmList
#> This is gamm4 0.2-5
pam2 <- gamm4(ped_status ~ s(tend) + ph.ecog, random = ~(1|inst),
  family = poisson(), offset = ped$offset, data = ped)
lattice::qqmath(ranef(pam2$mer)$inst[, 1])

由reprex 包（v0.2.1）于 2018 年 12 月 8 日创建

推荐阅读