形式陈述
在无并列事件的Cox 模型 理路 Cox 比例风险模型与部分似然 Cox proportional hazards model · Cox partial likelihood 通过事件时刻的风险集比较消去未知基线风险,推导 Cox 部分似然、得分和解释边界。 中,t j 时刻由 i j 发生事件。给定拟合系数 β ^ ,定义向量残差
r j = z i j ( t j ) − z ¯ β ^ ( t j ) , z ¯ β ( t ) = ∑ k ∈ R ( t ) z k ( t ) e β T z k ( t ) ∑ k ∈ R ( t ) e β T z k ( t ) . 它是“实际事件者的协变量”减去“模型预期事件者的协变量”。每个事件时刻有一个残差向量;删失者没有独立的一行事件残差,却会通过风险集影响其他人的残差。
对固定参数另记 r j ( β ) = z i j ( t j ) − z ¯ β ( t j ) ,所以前面的拟合残差为 r j = r j ( β ^ ) 。固定事件前风险集与其有限协变量值,用Cox页的事件来源核 w i , β 0 ( t j ) 对标记求期望 理路 期望 Expectation · Expected value 实值或复值随机变量关于概率测度的 Lebesgue 积分,概括加权平均与总体质量平衡。 ,有 ∑ i ∈ R ( t j ) w i , β 0 ( t j ) [ z i ( t j ) − z ¯ β 0 ( t j ) ] = 0 。这是真参数下的有限标记律恒等式;在适当正则条件下可读作短区间一次事件的极限条件均值,不是对确定时刻的零概率事件直接条件化。拟合值处,若无惩罚且最大值为有限的内部点,∑ j r j = U ( β ^ ) = 0 。总和为零只是得分方程,不能据此认定比例风险成立。
为什么对时间画图有用
若实际系数是 β ( t ) ,而用常数 β ∗ 比较,为说明机制先把 β ∗ 视为固定参数,并使用 r j ( β ∗ ) = z i j ( t j ) − z ¯ β ∗ ( t j ) 。固定非空有限风险集及其有限协变量值后,加权均值是参数的光滑函数,其Jacobian 理路 Jacobian 矩阵 Jacobian matrix 多元映射各偏导数组成并表示其导数的矩阵。 正是同一权重下的协方差矩阵 理路 协方差 Covariance 两个随机变量中心化乘积的期望,衡量线性共同变化。 。由多元 Taylor 展开 理路 多元 Taylor 定理 Multivariable Taylor theorem 用各阶导数给出多元函数的局部多项式展开及余项控制。 ,局部得到
∑ i ∈ R ( t j ) w i , β ( t j ) ( t j ) { z i ( t j ) − z ¯ β ∗ ( t j ) } ≈ V j { β ( t j ) − β ∗ } , 其中 V j 是在 β ∗ 处计算的风险集加权协变量协方差,左侧仍是在有限标记律下取均值;并未给未限制的随机风险集额外宣称全局可积性。固定风险集下余项为 O ( ‖ β ( t j ) − β ∗ ‖ 2 ) 。于是残差随时间的系统趋势能暴露系数漂移。局部V_j可能奇异:风险集协变量全相同时V_j=0,不能直接取逆。只有在非退化可识别方向,乘上适当协方差逆的缩放残差才更接近系数变化的量纲;实际软件会使用整体信息与事件数等稳定化约定,不应把不同程序的纵轴未经核对就混用。
一种检验方式是考虑 β ( t ) = β + θ g ( t ) ,检验 θ = 0 。得分中出现 ∑ j g ( t j ) r j 。这解释了为什么选择原时间、对数时间或秩变换会改变检验针对的偏离,而不只是改变画图外观。
直觉
一条固定风险比能否概括整个随访过程?总似然拟合得不错,并不排除模型早期高估、晚期低估同一组的风险。Schoenfeld 残差把每次事件留下的协变量偏差保留下来,让这种时间结构可见。
例子与边界
逐项计算与一个反例
某次事件的风险集中有三人,协变量分别为 0 , 1 , 2 。在候选参数 β = log 2 下,相对风险权重为 1 , 2 , 4 ,因此
z ¯ β = 0 × 1 + 1 × 2 + 2 × 4 1 + 2 + 4 = 10 7 . 如果本次事件来自 z = 0 的人,残差为 − 10 / 7 ;若来自 z = 2 的人,则为 4 / 7 。三个可能残差分别乘以事件来源概率 1 / 7 , 2 / 7 , 4 / 7 后相加,确实为零。这一条件均值核验是定义的概率含义。
再看一组示意残差:早期两次为 0.6 , 0.4 ,晚期两次为 − 0.4 , − 0.6 。总和是零,却呈现清楚的下降趋势。若取时间分数 g = ( − 1.5 , − 0.5 , 0.5 , 1.5 ) ,则 ∑ j g j r j = − 2.2 。这个数不是已经标准化的检验统计量,但说明早晚相抵会隐藏在总得分中。
诊断步骤与边界
先保留拟合时的风险集、协变量编码及并列事件处理方式;再计算每个事件的残差;随后画缩放残差对选定时间变换的平滑图,并结合相应得分检验和不确定区间。若发现趋势,可加入事先有意义的时间交互,或对不需估计效应的变量分层,再检查修改后的模型。
尾部风险集稀少,图上的摆动可能只是信息不足。单个离群事件也能产生明显斜率。不能用一条不显著的检验结果证明比例风险正确,更不能把它当成独立删失、协变量函数形式和因果无混杂的共同检验。
反过来,显著趋势也不唯一指向“真实治疗效应改变”。遗漏协变量、错误函数形式、群体异质性以及时间记录错误都可能留下类似痕迹,诊断之后还需要回到数据生成过程。
推论与应用
残差图回答的是固定 Cox 系数是否适合描述时间结构。如果真正关注的是一段时间内累计获得多少生存时间,可以转向限定时间平均生存 理路 限制平均生存时间 Restricted mean survival time · RMST 把有限窗口内的生存曲线面积解释为平均生存时间,明确窗口选择与删失支持的限制。 ,而不是为了得到单个风险比不断修改图形或筛选时间窗。
参考资料
David Schoenfeld, Partial residuals for the proportional hazards regression model , Biometrika 69, 1982, pp. 239–241,事件残差的原始定义。
R survival documentation, cox.zph: Test the Proportional Hazards Assumption , “Details” and “Value”,缩放残差、时间变换和检验输出。
Therneau and Grambsch, Modeling Survival Data: Extending the Cox Model , Springer, 2000, Chapter 6,比例风险诊断。