无需拆分数据框，用survival包coxph实现社会经济地位分层Cox回归

核心问题解答 #

完全不需要拆分数据框或筛选类别，直接用survival包的coxph()函数就能实现按社会经济地位（SES）的分层分析。关键是在模型公式中通过strata()函数指定分层变量，函数会自动在每个SES类别内拟合体力活动对全因死亡风险的效应，同时不会估计SES本身的主效应（分层操作会吸收组间的基线风险差异）。

代码示例 #

假设你的数据框为df，其中：

• time为随访时间
• status为死亡结局（1=死亡，0=截尾）
• physical_activity为体力活动自变量
• SES为已转换为因子的社会经济地位变量（低/中/高）

实现分层Cox回归的代码如下：

library(survival)

# 拟合分层Cox模型
strat_cox <- coxph(Surv(time, status) ~ physical_activity + strata(SES), data = df)

# 查看结果
summary(strat_cox)

若要检验分层是否必要，可对比分层模型与未分层模型的拟合优度：

# 未分层模型
unstrat_cox <- coxph(Surv(time, status) ~ physical_activity + SES, data = df)

# 模型比较
anova(strat_cox, unstrat_cox)

其他适用R包推荐 #

• flexsurv：支持拟合多种参数化生存模型（如Weibull、Gompertz）和半参数化的Royston-Parmar样条模型，同样可通过strata参数实现分层分析，适合需要拓展模型形式的场景。
• rms：专注于临床预测模型构建，其cph()函数支持分层Cox回归，还能便捷计算模型校准度、C指数，生成预测曲线，适合需要做模型验证和临床应用的研究。
• survminer：作为生存分析可视化工具，可配合survival包的结果快速绘制分层生存曲线、森林图，让分层分析的结果更直观易懂。

内容的提问来源于stack exchange，提问作者Simen Løkken