带有交互项的 Cox 回归 - 使用哪个 p 值？

Question

希望蜂巢能帮助我理解这一点。

我想研究连续变量 (x1) 对生存的影响，考虑 x1 和另一个连续变量 (x2) 之间的相互作用。我的完整模型看起来像这样

full_model = coxph(Surv(时间，状态) ~ x1 + x2 + 年龄 + 性别 + dummy_var1 + dummy_var2 + dummy_var3 + dummy_var4 + x1:x2 + 偏移量(dummy)，数据=结果)

从摘要(coxph()$coefficients)) 中，我获得 x1:x2 的 p 值为 0.0004。

然后我测试了完整模型和简化模型之间的似然比

reduced_model=coxph(Surv(时间，状态) ~ x1 + x2 + 年龄 + 性别 + dummy_var1 + dummy_var2 + dummy_var3 + dummy_var4 + 偏移量(dummy)，数据=结果)

lrtest（简化模型，完整模型）

我获得的 p 值为 6.4E-172。

我通过几种不同的方式进行了交互分析。我使用的另一种方法是将 X2 编码为二进制（低 vs 高 = 0 vs 1）。再次，我从摘要（coxph）中收到交互项（连续 x 二进制）的 p 值为 0.03，但 LR p 值为 6.4E-158。

为什么交互系数和 LR 检验的 p 值不同？哪一个真正告诉我是否存在互动？

提前致谢！

Answer 1

我不确定这个问题是否应该发布在这里。也许在CrossValidated上发帖会让你更容易得到一些答案！

除此之外，从模型的函数

summary

获得的 p 值测试了系数等于 0 的假设（这是 Wald 检验）。另一方面，似然比检验比较两个模型，如果它们的似然性足够不同，则测试一个更简单（简化）和一个更复杂（完整模型）。这意味着您本质上是在测试两个不同的假设，即使您只想知道交互项是否显着。这就是为什么你会得到不同的 p 值！

为了了解如何在 R 中的 Cox 模型中测试交互，我遵循了 Paul Dickman 网站上的一些材料（此处）。