生存Coxph和RMS CPH的不同预测图

我已经创建了本示例中使用的术语图的略微增强版本，您可以在此处找到它。我以前在SO上发布过文章，但我想得更多，我认为这可能与Cox比例危害模型的解释有关，而不是与实际编码有关。

问题

当我查看危害比图时，我希望有一个参考点，其置信区间自然为0，这是当我从中使用cph（）rms package而不是从中使用coxph（）时的情况survival package。coxph（）的行为是否正确，如果是，参考点是什么？另外，coxph（）中的哑变量具有一个间隔，并且其值不是？$e^0$

例

这是我的测试代码：

# Load libs
library(survival)
library(rms)

# Regular survival
survobj <- with(lung, Surv(time,status))

# Prepare the variables
lung$sex <- factor(lung$sex, levels=1:2, labels=c("Male", "Female"))
labels(lung$sex) <- "Sex"
labels(lung$age) <- "Age"

# The rms survival
ddist <- datadist(lung)
options(datadist="ddist")
rms_surv_fit <- cph(survobj~rcs(age, 4)+sex, data=lung, x=T, y=T)

cph图

这段代码：

termplot2(rms_surv_fit, se=T, rug.type="density", rug=T, density.proportion=.05,
          se.type="polygon", yscale="exponential", log="y", 
          xlab=c("Age", "Sex"), 
          ylab=rep("Hazard Ratio", times=2),
          main=rep("cph() plot", times=2),
          col.se=rgb(.2,.2,1,.4), col.term="black")

给出这个情节：

考克斯图

这段代码：

termplot2(surv_fit, se=T, rug.type="density", rug=T, density.proportion=.05, 
          se.type="polygon", yscale="exponential", log="y", 
          xlab=c("Age", "Sex"), 
          ylab=rep("Hazard Ratio", times=2),
          main=rep("coxph() plot", times=2),
          col.se=rgb(.2,.2,1,.4), col.term="black")

给出这个情节：

更新资料

正如@Frank Harrell所建议的那样，在对他最近的评论中的建议进行调整之后，我得到了：

p <- Predict(rms_surv_fit, age=seq(50, 70, times=20), 
             sex=c("Male", "Female"), fun=exp)
plot.Predict(p, ~ age | sex,
             col="black",
             col.fill=gray(seq(.8, .75, length=5)))

这给出了一个非常好的情节：

在评论后，我再次查看了contrast.rms，并尝试了这段给出图表的代码...尽管可能还有很多事情可以做:-)

w <- contrast.rms(rms_surv_fit, 
                  list(sex=c("Male", "Female"), 
                       age=seq(50, 70, times=20)))

xYplot(Cbind(Contrast, Lower, Upper) ~ age | sex, 
       data=w, method="bands")

给了这个情节：

更新2

Thernau教授很友善地对缺乏信心的情节发表评论：

像gam中的平滑样条一样，对coxph中的平滑样条进行了归一化，使得sum（prediction）= 0。因此，我没有方差很小的固定单点。

尽管我还不熟悉GAM，但这似乎可以回答我的问题：这似乎是一个解释问题。

我认为绝对应该有一个置信区间为零宽度的点。您也可以尝试第三种方法，即仅使用rms函数。帮助文件下有一个contrast.rms的示例，用于获取危险比图。它以注释＃开头，分别显示按治疗和性别分类的估算值。您需要进行反对数以获得比率。