[SAS]存活分析(2) COX regression model

免費閱讀文章：[SAS]存活分析(2) COX regression model

使用存活分析時，除了想要了解不同組別之間是否有顯著差異外，我們也想要了解不同的自變項(X)對存活的影響。正常情形下，我們研究樣本的病人會有不同的特徵，像是性別 、年齡、是否接受特定手術、本身的健康數據等等，我們可以使用 Cox model 知道這些變項對存活函數的影響是什麼。

本篇要介紹的就是Cox proportional hazard model ( Cox比例風險模式 )。在 Cox model中，自變項(X)可以超過兩個以上，並且不管是類別變項或是連續變項都可以。藉著Cox model，我們可以知道各變項的風險，並且調整這些潛在的解釋變數之後，比較各種治療之間的存活時間或存活機率。

example for SAS

和上一篇一樣在我們的研究範圍中追蹤20個病人 ，因為我們想使用Cox model來知道不同類別的自變項對存活函數的影響是甚麼，所以這邊加上了兩個新的變數，第一個是連續資料 weight ，第二個是類別資料 :年齡的分類 age_group ，下面是SAS code 可以直接使用

Data data_cox;
input id time status sex$ weight age_group$ @@;
datalines;
1 121.98680 1 M 58.6 40–49 2 66.33585 0 F 62.4 50–64 3 101.31992 1 M 76.5 40–49 4 120.96599 1 F 56.8 65up 5 30.89584 1 M 66.3 50–64 6 88.88542 0 M 62.7 50–64 7 114.43314 0 F 59.5 65up 8 76.36350 0 M 68.9 50–64 9 139.02362 0 F 74.5 40–49 10 42.17000 0 F 67.5 65up 11 111.80827 1 M 64.1 50–64 12 122.19009 1 F 66.8 40–49 13 80.05458 1 M 81.2 65up 14 107.82935 0 M 64.4 50–64 15 81.77838 0 F 69.4 50–64 16 85.48578 1 M 75.8 65up 17 93.72746 1 F 59.1 50–64 18 69.38994 0 M 63.5 40–49 19 53.35931 0 F 71.5 50–64 20 87.06297 1 M 65.8 40–49
;

單變項的Cox model

我們想要知道每個變項的Cox model，首先使用weight
weight是連續的資料，給定data之後再設定model
因為是單變項的cox model ，這邊只想要知道weight對存活函數的影響
所以等號前面的第一項先放time，也就是我們的追蹤時間，乘上status，也就是我們有興趣的event ，time*status(0)這兩個組合其實就是我們的依變項(Y)，等號後面放上我們的自變項(X)，也就是weight