区间删失数据的比例风险模型实现及诊断图方案问询

一、拟合支持区间删失的比例风险模型 #

coxph()确实不支持type='interval2'的区间删失数据，你可以用以下两种方案解决：

方案1：使用survival包的survreg()拟合参数化比例风险模型 #

如果可以接受参数化的比例风险模型（如Weibull、指数分布），survreg()直接支持区间删失的Surv对象。示例代码：

# 以Weibull分布为例（属于比例风险族）
weibull_model <- survreg(survobj1_2 ~ covariate1 + covariate2, data = set_1_2, dist = "weibull")

Weibull模型的比例风险假设可通过检查尺度参数是否显著偏离1初步判断，后续也可结合残差诊断验证。

方案2：使用flexsurv包的flexsurvreg()拟合更灵活的比例风险模型 #

flexsurv包支持多种参数化生存模型（包括Weibull、Gompertz等比例风险模型），且完美适配区间删失数据。示例代码：

library(flexsurv)
# 拟合Weibull比例风险模型
flex_weibull <- flexsurvreg(survobj1_2 ~ covariate1 + covariate2, data = set_1_2, dist = "weibull")

二、区间删失模型的比例风险假设诊断（类似ggcoxzph的图） #

针对参数化比例风险模型，可通过以下方式生成类似缩放Schoenfeld残差的诊断图：

1. 基于survival包的手动残差绘图 #

对于survreg()拟合的模型，可计算得分残差后，与变换时间绘图：

# 计算得分残差
resid_score <- residuals(weibull_model, type = "score")
# 用区间中点的对数作为变换后的时间近似
transformed_time <- log((set_1_2$int_1 + set_1_2$int_2)/2)
# 分协变量绘制残差图
par(mfrow = c(1, 2))
plot(transformed_time, resid_score[, "covariate1"], xlab = "对数时间", ylab = "缩放得分残差", main = "covariate1")
abline(h = 0, lty = 2)
plot(transformed_time, resid_score[, "covariate2"], xlab = "对数时间", ylab = "缩放得分残差", main = "covariate2")
abline(h = 0, lty = 2)

2. 使用flexsurv包的内置诊断函数 #

flexsurv的plot()函数可直接生成类似ggcoxzph()的缩放Schoenfeld残差图：

# 绘制比例风险假设诊断图
plot(flex_weibull, type = "scaledschoenfeld")

若偏好ggplot2风格，可提取残差数据后自定义绘图：

library(ggplot2)
# 提取缩放Schoenfeld残差
resid_df <- as.data.frame(residuals(flex_weibull, type = "scaledschoenfeld"))
resid_df$time <- log((set_1_2$int_1 + set_1_2$int_2)/2)

# 单个协变量的ggplot图
ggplot(resid_df, aes(x = time, y = covariate1)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "loess", se = TRUE) +
  geom_hline(yintercept = 0, linetype = "dashed") +
  labs(x = "对数时间", y = "缩放Schoenfeld残差", title = "covariate1")

内容的提问来源于stack exchange，提问作者Hari