Para asegurarse de que los resultados sean válidos, tenga en cuenta las siguientes directrices al recopilar datos, realizar el análisis e interpretar los resultados.
- La variable de respuesta debe ser continua
- Los datos continuos son mediciones que potencialmente pueden tomar cualquier valor numérico dentro de un rango de valores a lo largo de una escala continua, incluyendo valores fraccionados o decimales.
- Los datos de respuesta pueden ser tiempos de eventos únicos o tiempos de eventos múltiples
- Para recolectar datos, generalmente se mide la cantidad de tiempo hasta que ocurre un evento. Para un formato del proceso de conteo, también debe especificar el tiempo de ingreso al estudio del sujeto. Por ejemplo, un sujeto tiene una forma de cáncer de piel a los 7, 11, 15 y 27 meses del estudio. Posteriormente, el sujeto estuvo libre de cáncer durante 6 meses. En cada intervalo de tiempo, los investigadores registran el predictor fijo del grupo de tratamiento, y registran un predictor dependiente del tiempo del nivel hormonal del sujeto.
- También puede utilizar datos que describan múltiples eventos. Por ejemplo, un automóvil se avería, se repara y vuelve a entrar en servicio, luego se avería nuevamente, y así sucesivamente. Los valores de los datos representan el tiempo de cada falla sin considerar el tiempo de reparación.
- Los datos deben estar en el estilo de entrada del proceso de conteo
- En el formato para ingreso de datos del proceso de conteo, el sujeto está representado en múltiples filas. Cada fila describe un intervalo de tiempo donde los valores de todas las variables son constantes. Los predictores dependientes del tiempo cambian entre filas. Los intervalos comienzan justo después del tiempo de inicio e incluyen el tiempo final. Los predictores pueden ser fijos o dependientes del tiempo. Para obtener más información, vaya a Ingrese sus datos para Ajuste el Modelo de Cox con Formato del Proceso de Conte.
- Debe tomar en cuenta los datos incompletos
-
Debido a que el dato de respuesta es el tiempo que transcurre hasta que ocurre el evento, está sujeto a censura y truncamiento. Para los modelos de regresión de Cox, la forma más común de censura es la censura a la derecha, y la forma más común de truncamiento es el truncamiento a la izquierda. Puede especificar una columna para indicar los tiempos de respuesta con censura y sin censura
- Censurado a la derecha: El tiempo de respuesta de un sujeto se censura a la derecha si el sujeto no experimenta el evento de interés antes de que el estudio termine, o si el sujeto se retira del estudio antes de experimentar el evento. Por ejemplo, una unidad de prueba aún podría funcionar después del periodo de prueba o un sujeto podría retirarse de un estudio por alguna otra razón que no sea la muerte.
- Entradas de truncamiento o retraso a la izquierda: El truncamiento a la izquierda ocurre cuando no se observa a un sujeto al inicio del estudio, sino que se incluyen más tarde en el estudio, cuando ocurre un evento intermedio. El tiempo cuando el sujeto ingresa al estudio se conoce como tiempo de entrada o tiempo de truncamiento. Por ejemplo, no se incluyen pacientes en una lista de espera para un trasplante de órgano hasta que un órgano está disponible para el trasplante.
- Los sujetos en diferentes tratamientos experimentan el evento en tasas proporcionales
- El modelo de regresión de Cox no requiere que se especifique una distribución paramétrica de los datos de respuesta. Sin embargo, el modelo asume que los individuos en dos tratamientos diferentes están expuestos a peligros o riesgos proporcionales de experimentar el evento. La hipótesis de riesgos proporcionales proporciona una interpretación simple de los coeficientes de regresión en términos de índices de riesgo o riesgos relativos. Si la hipótesis de riesgos proporcionales no se mantiene, entonces la tabla de riesgos relativos puede arrojar conclusiones erróneas. Utilice las pruebas para la tabla de riesgos proporcionales, la gráfica de Andersen y la gráfica de Arjas para verificar esta hipótesis.
- El modelo debe ser de rango completo
- Un modelo de rango completo incluye suficientes datos para estimar todos los términos en su modelo. Datos faltantes, datos insuficientes o alta colinealidad pueden impedir que un modelo sea de rango completo. Si el modelo no es de rango completo, Minitab se lo indicará cuando usted realice el análisis. A menudo puede resolver este problema eliminando interacciones poco importantes de orden superior del modelo.
