涉及高级案例交互时的Cox比例风险模型和系数解释

这是我使用的Coxph模型的摘要输出（我使用R，输出基于最佳最终模型，即包括所有重要的解释变量及其相互作用）：

 coxph(formula = Y ~ LT + Food + Temp2 + LT:Food + LT:Temp2 + 
Food:Temp2 + LT:Food:Temp2) # Y<-Surv(Time,Status==1)

n = 555

               coef         exp(coef)          se(coef)      z           Pr(>|z|)     
LT             9.302e+02      Inf             2.822e+02    3.297        0.000979 *** 
Food           3.397e+03      Inf             1.023e+03    3.321        0.000896 *** 
Temp2          5.016e+03      Inf             1.522e+03    3.296        0.000979 *** 
LT:Food        -2.250e+02    1.950e-98        6.807e+01    -3.305       0.000949 *** 
LT:Temp2       -3.327e+02    3.352e-145       1.013e+02    -3.284       0.001022 ** 
Food:Temp2     -1.212e+03    0.000e+00        3.666e+02    -3.307       0.000942 *** 
LT:Food:Temp2   8.046e+01    8.815e+34        2.442e+01     3.295       0.000986 *** 
--- 
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Rsquare= 0.123   (max possible= 0.858 ) 
Likelihood ratio test= 72.91  on 7 df,   p=3.811e-13 
Wald test            = 55.79  on 7 df,   p=1.042e-09 
Score (logrank) test = 78.57  on 7 df,   p=2.687e-14 

问题是：

由于系数和exp（coef）的值非常大，因此如何解释？另外，还涉及三例交互，这使解释更加混乱。

到目前为止，我在网上发现的所有有关Coxph模型的示例都非常简单，涉及交互作用项（始终被证明是无关紧要的）以及系数值（=危险率）和指数（=危险比）很小并且“易于处理”的数字，例如系数= 1.73-> exp（coef）= 5.64。从上面的摘要输出中可以看出，BUT的数量更大。而且因为它们是如此之大，所以它们似乎几乎没有任何意义。

当相互作用增加一个单位（？）时，将生存率降低到例如8.815e + 34（来自LT：Food：Temp2相互作用的危险比）会降低，这似乎有点荒谬。

实际上，我也不知道如何解释这种三例交互。这是否意味着当相互作用中的所有变量都增加一个单位时，生存期就会减少一定的数量（以exp（coef）值表示）？

如果有人可以在这里帮助我，那就太好了。:)

以下是我用于cox分析的数据表的一部分。在这里您可以看到，我多次将相同的解释变量值（即LT，Food和Temp2）用于多个“时间，状态响应变量”。这些解释变量值已经是这些变量的平均值（由于自然界中进行的现场工作，不可能为每个观察到的响应个体获得单独的解释变量值，因此该阶段已经使用了平均值），这将回答建议1（？）（请参阅第一个答案）。

建议2（请参阅第一个答案）：我正在使用R，但我还不是超级神。:)因此，如果我使用函数预报（cox.model，type =“ expected”），则会得到大量不同的值，并且不知道它们所引用的解释变量以及顺序。还是可以在预测功能中突出显示某些交互作用术语？我不确定在这里是否很清楚。

建议3（请参阅第一个答案）：在下面的数据表部分中，您可以看到不同解释变量的单位。它们都是不同的，包括小数。这可能与cox结局有关吗？

数据表的一部分：

Time (days)     Status      LT(h) Food (portions per day) Temp2 (ºC)
28                0         14.42        4.46             3.049
22                0         14.42        4.46             3.049
9                 1         14.42        4.46             3.049
24                0         15.33        4.45             2.595
24                0         15.33        4.45             2.595
19                1         15.33        4.45             2.595

干杯，恩纳

几个建议，与CoxPH不直接相关，但与相互作用和共线性有关

1）当您获得诸如此类的“疯狂”值时，一种可能是共线性。当您进行交互时，这通常是一个问题。您是否已将所有变量居中（通过从每个变量中减去平均值）？

2）您无法如此轻松地解释众多交互中的一种。LT，食物和temp2都参与许多交互。因此，请查看来自不同组合的预测值。

3）检查不同变量的单位。当您得到疯狂的参数时，有时可能是单位问题（例如，以毫米或千米为单位测量人的身高）

4）弄清楚了这些东西之后，我发现思考不同交互作用（最高级的交互作用）的最简单方法是用独立值的不同组合来绘制预测值。