当Schoenfeld残差不佳时，比例风险回归模型有哪些选择？

我正在使用进行R的Cox比例风险回归coxph，其中包括许多变量。Martingale残差看起来很棒，而Schoenfeld残差对于ALMOST所有变量来说都很棒。存在三个变量的Schoenfeld残差不平坦，并且变量的性质使得它们可以随时间变化是有意义的。

这些是我不太感兴趣的变量，因此将它们分层即可。但是，它们都是连续变量，而不是类别变量。因此，我认为阶层不是可行的路线*。我试图建立的变量和时间之间的相互作用，如所描述这里，但我们得到的错误：

  In fitter(X, Y, strats, offset, init, control, weights = weights,  :
  Ran out of iterations and did not converge

我正在处理将近1000个数据点，并且正在处理具有多个因素的六个变量，因此感觉就像我们正在限制如何对这些数据进行切片和切块的极限。不幸的是，我尝试过使用更少的包含变量的所有较简单的模型显然都较差（例如，Schoenfeld残差对于更多变量来说更加脆弱）。

我有什么选择？由于我不在乎这些行为不佳的特定变量，因此我只想忽略它们的输出，但是我怀疑这不是有效的解释！

*一个是连续的，一个是大于100的整数，一个是6的整数。

如果您对基准危害可能是什么样子有所了解，最优雅的方法是使用参数化生存模型（Gompertz，Weibull，Exponential等）。

如果您想使用Cox模型，则可以采用具有随时间变化的系数的扩展Cox模型。请记住，还有扩展的Cox模型，其时间取决于协变量-这些不能解决您的问题！

对于R，请参见此处：http : //cran.r-project.org/web/packages/survival/vignettes/timedep.pdf

几个想法-

1）尝试使用Royston-Parmar建模方法，例如http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0047804及其参考。我们取得了有益的成果。

2）对连续变量进行居中和标准化可以在数值上有用。

3）在许多因素具有多个级别的模型中，有几个级别基本上没有数据。合并级别以消除这些级别，但是基于良好的实质性标准可能会非常有帮助。

祝好运！

如果无法与基础时间进行互动，则可以尝试 步进功能（有关更多信息，请参见Therneau的2016年vignett e）。

阶跃函数按特定间隔按特定系数分层。在查看有问题的协变量（即plot(cox.zph(model.coxph))）的绘制的Schoenfeld残差后，您需要直观地检查直线在哪里改变角度。尝试找出beta值明显不同的一两个点。假设这发生在时间10和20。所以我们将使用survSplit()survival包，该包将在上述时间为特定数据模型分组创建一个数据框：

step.data <- survSplit(Surv(t1, t2, event) ~ 
                      x1 + x2,
                      data = data, cut = c(10, 20), episode = "tgroup")

然后运行 cox.ph具有以下strata功能模型：与 有问题的变量进行交互（如与时间进行交互，请不要添加时间或层次的主要影响）：

> model.coxph2 <- coxph(Surv(t1, t2, event) ~ 
                          x1 + x2:strata(tgroup), data = step.data)

那应该会有所帮助。