Fine&Gray竞争风险模型中offset使用问题求助

你遇到的这个情况很典型——riskRegression包的FGR()函数对偏移项的处理逻辑和普通线性/广义线性模型不一样，直接在公式里写offset(x)并不会让模型把它当作系数固定为1的偏移项来解析，这就是为什么有无这个项时其他变量系数完全一致的核心原因。

正确的处理方式：使用FGR()专属的offset参数 #

FGR()本身提供了专门的offset参数来传递偏移项，而非在公式内部指定。下面是修正后的示例代码，你可以直接对比两种方式的差异：

# 加载所需包
library(riskRegression)
library(survival)

# 模拟示例数据
set.seed(123)
n <- 500
time <- rexp(n)
event <- sample(0:2, n, replace = TRUE)
x1 <- rnorm(n)
x_offset <- rnorm(n) # 用作偏移项的变量

# 错误方式：公式内添加offset(x_offset)，无实际效果
fgr_wrong <- FGR(Hist(time, event) ~ x1 + offset(x_offset), 
                 data = data.frame(time, event, x1, x_offset))
coef(fgr_wrong)

# 正确方式：通过offset参数传递偏移项
fgr_right <- FGR(Hist(time, event) ~ x1, 
                 data = data.frame(time, event, x1, x_offset),
                 offset = x_offset)
coef(fgr_right)

运行后你会发现，fgr_right中x1的系数和fgr_wrong的完全不同，这说明偏移项已经被正确纳入模型的风险计算中了。

为什么公式里的offset无效？ #

这是因为FGR()的公式解析逻辑并没有识别offset()函数调用，它会把offset(x_offset)当作一个普通协变量处理（但实际上不会给它分配系数），所以对其他变量的系数估计没有任何影响。而专门的offset参数会明确告知模型：这个变量的系数固定为1，需要被纳入风险的线性预测公式。

额外提示 #

如果需要对偏移项做变换（比如对数变换），直接在offset参数中处理即可，例如offset = log(x_offset)。

内容的提问来源于stack exchange，提问作者Tami