Cox模型中时间独立与时间依赖协变量交互项的合理性及R实现

1. 操作合理性判断 #

这一操作完全合理。
计数过程格式（即Surv(start, stop, event)的写法）的Cox模型本身就是为同时纳入时间独立协变量、时间依赖协变量设计的：时间独立协变量（如age、race）在同一个体的所有风险区间行中取值固定，时间依赖协变量（如employed）在不同风险区间可发生变化，二者的乘积项（交互项）完全符合模型的输入要求。

2. R语言实现注意事项 #

你给出的示例代码存在遗漏主效应的问题，除非你有非常明确的统计假设不需要纳入主效应，否则常规分析需要先加入所有变量的主效应，再加入交互项，正确的写法参考：

# 仅纳入主效应的基准模型
cox_base <- coxph(formula = Surv(start, stop, arrest.time) ~ age + race + employed, data = Rossi.2)
# 加入交互项的模型
cox_interaction <- coxph(formula = Surv(start, stop, arrest.time) ~ age + race + employed + age:employed + race:employed, data = Rossi.2)
# 也可以用*简化写法，自动生成主效应+交互项
cox_interaction_simplified <- coxph(formula = Surv(start, stop, arrest.time) ~ age*employed + race*employed, data = Rossi.2)

如果要检验交互项的整体显著性，可以用似然比检验对比基准模型和交互模型：

anova(cox_base, cox_interaction)

3. 交互项解释逻辑 #

这类交互项的解释逻辑和常规回归模型的交互项基本一致，唯一的区别是Cox模型的系数对应的是对数风险比（log HR）尺度，解释时要注意：

• 比如age:employed的交互项系数为β_int，age的主效应系数为β_age，employed的主效应为β_emp：
  • 当employed=0时，age每增加1个单位，结局的对数风险比变化为β_age，HR为exp(β_age)
  • 当employed=1时，age每增加1个单位，结局的对数风险比变化为β_age + β_int，HR为exp(β_age + β_int)
• 交互项β_int的含义就是：employed取值每升高1个单位时，age对结局的效应变化量的对数风险比，和常规线性回归、logistic回归的交互项解释逻辑完全同源，只是结果的尺度对应生存分析的风险比。

额外注意点 #

• 确保你的Rossi.2数据集是正确的计数过程长格式：同一个体的不同风险区间行中，时间独立协变量age、race的取值必须完全一致，时间依赖协变量employed按实际随时间的变化赋值即可。
• 如果要简单直观展示交互效应，可以按employed的取值分层，或者绘制不同age、employed组合的生存曲线。

内容的提问来源于stack exchange，提问作者cliu