各治疗组UnoC（C-index）计算及变量-治疗交互作用疑问

首先直接回应你的核心疑问：如果X4与TRT的强交互确实表现为「X4仅在实验组（TRT=1）中对生存有预测能力，在对照组（TRT=0）中完全不影响生存」，那么对照组的C-index应该接近0.5，实验组的C-index会显著更高。你当前得到两组结果相近的问题，主要出在模型设定和数据拆分的逻辑上，下面具体拆解并修正：

你当前代码的关键问题 #

1. 未纳入交互项的模型设定错误
   你只拟合了coxph(Surv(time, stat) ~ X4, data=TR)，完全忽略了X4与TRT的交互作用。这种模型估计的是X4在整个训练集上的平均效应，不管TRT分组，自然会导致两组的预测值都带有X4的平均预测能力，最终C-index都偏高且接近。

2. 不合理的数据集硬拆分
   你直接把前500行作为训练集、后500行作为测试集，这种做法无法保证训练集和测试集的TRT分布均衡。如果两组的TRT比例差异大，模型拟合的效应会偏向占比高的组别，进一步干扰结果。

3. 无意义的-lpnew操作
   对照组的C-index如果接近0.5，说明X4没有预测能力，不管取线性预测值的正负，结果都应该接近0.5，你这里的取反操作完全没必要，反而容易混淆逻辑。

修正后的代码与步骤 #

第一步：合理拆分训练/测试集 #

先随机拆分数据集，保证两组的TRT分布均衡：

set.seed(123) # 固定随机种子保证可复现
train_idx <- sample(nrow(data), 500)
train_data <- data[train_idx, ]
test_data <- data[-train_idx, ]

第二步：方法1 - 拟合包含交互项的全局模型 #

因为你的核心是X4与TRT的交互，全局模型可以同时捕捉两组中X4的不同效应：

# 拟合带交互项的Cox模型
fit_interact <- coxph(Surv(time, stat) ~ X4 * TRT, data = train_data)

# 拆分测试集的对照组和实验组
test_ctrl <- test_data[test_data$TRT == 0, ]
test_trt <- test_data[test_data$TRT == 1, ]

# 分别预测两组的线性预测值
lp_ctrl <- predict(fit_interact, newdata = test_ctrl)
lp_trt <- predict(fit_interact, newdata = test_trt)

# 计算对照组UnoC（预期≈0.5）
UnoC(Surv.rsp = Surv(train_data$time[train_data$TRT == 0], train_data$stat[train_data$TRT == 0]),
     Surv.rsp.new = Surv(test_ctrl$time, test_ctrl$stat),
     lpnew = lp_ctrl)

# 计算实验组UnoC（预期显著高于0.5）
UnoC(Surv.rsp = Surv(train_data$time[train_data$TRT == 1], train_data$stat[train_data$TRT == 1]),
     Surv.rsp.new = Surv(test_trt$time, test_trt$stat),
     lpnew = lp_trt)

第二步：方法2 - 分组单独拟合模型 #

如果交互作用极强，两组的X4效应完全独立，也可以在每个TRT组内单独拟合模型：

# 对照组单独拟合（X4无效应，C-index≈0.5）
fit_ctrl <- coxph(Surv(time, stat) ~ X4, data = train_data[train_data$TRT == 0, ])
lp_ctrl <- predict(fit_ctrl, newdata = test_ctrl)
UnoC(Surv.rsp = Surv(train_data$time[train_data$TRT == 0], train_data$stat[train_data$TRT == 0]),
     Surv.rsp.new = Surv(test_ctrl$time, test_ctrl$stat),
     lpnew = lp_ctrl)

# 实验组单独拟合（X4强效应，C-index显著更高）
fit_trt <- coxph(Surv(time, stat) ~ X4, data = train_data[train_data$TRT == 1, ])
lp_trt <- predict(fit_trt, newdata = test_trt)
UnoC(Surv.rsp = Surv(train_data$time[train_data$TRT == 1], train_data$stat[train_data$TRT == 1]),
     Surv.rsp.new = Surv(test_trt$time, test_trt$stat),
     lpnew = lp_trt)

额外说明 #

因为你的数据集没有删失，UnoC的结果和普通的C-index（比如survival包的concordance()）应该完全一致，你可以用后者交叉验证结果，减少计算复杂度。

内容的提问来源于stack exchange，提问作者Ph.D.Student