Interpretación de resultados clave para Ajuste el Modelo de Cox con Formato del Proceso de Conte

Complete los siguientes pasos para interpretar un modelo de regresión de Cox en un formato del proceso de conteo Los resultados clave incluyen las pruebas de bondad de ajuste, los valores p, los riegos relativos y las herramientas gráficas de diagnóstico.

En este tema

Paso 1: Determine qué tan adecuadamente se ajusta el modelo a los datos
Paso 2: Determine si la asociación entre la respuesta y el término es estadísticamente significativa
Paso 3: Determine los riesgos relativos de los predictores
Paso 4: Determine si el modelo satisface la hipótesis de riesgos proporcionales

Paso 1: Determine qué tan adecuadamente se ajusta el modelo a los datos

Utilice las pruebas de bondad de ajuste para determinar si el modelo se ajusta a sus datos. La hipótesis nula indica que el modelo no se ajusta adecuadamente a los datos. Por lo general, un nivel de significancia (denotado como α o alfa) de 0.05 funciona adecuadamente. Un nivel de significancia de 0.05 indica un 5% de riesgo de concluir que el modelo se ajusta adecuadamente a los datos cuando en realidad no es así.

Valor p ≤ α: El modelo se ajusta adecuadamente a los datos: Si el valor p es menor o igual al nivel de significancia, es posible concluir que el modelo se ajusta adecuadamente a los datos. Es necesario examinar si alguno de los términos es estadísticamente significativo y también garantizar que el modelo satisfaga la hipótesis de riesgos proporcionales.
Valor p > α: No existe suficiente evidencia para concluir que el modelo se ajusta adecuadamente a los datos: Si el valor p es mayor que el nivel de significancia, no es posible concluir que el modelo se ajusta adecuadamente a los datos. Sería conveniente reajustar el modelo con términos diferentes.

Pruebas de bondad de ajuste

Prueba	GL	Chi-cuadrada
Relación de verosimilitud	4	29.39
Wald	4	32.47
Puntuación	4	35.22

Resultados clave: Valor p

En estos resultados, los valores p para las 3 pruebas son inferiores a 0.05, por lo que es posible concluir que el modelo se ajusta adecuadamente a los datos.

Paso 2: Determine si la asociación entre la respuesta y el término es estadísticamente significativa

Para determinar si la asociación entre la respuesta y cada término del modelo es estadísticamente significativa, compare el valor p del término con su nivel de significancia para evaluar la hipótesis nula. La hipótesis nula es que no hay asociación entre el término y la respuesta. Por lo general, un nivel de significancia (denotado como α o alfa) de 0.05 funciona adecuadamente. Un nivel de significancia de 0.05 indica que existe un riesgo del 5% de concluir que existe una asociación cuando no hay una asociación real.

Valor p ≤ α: La asociación es estadísticamente significativa: Si el valor p es menor que o igual al nivel de significancia, es posible concluir que existe una asociación estadísticamente significativa entre la variable de respuesta y el término.
Valor p > α: La asociación no es estadísticamente significativa: Si el valor p es mayor que el nivel de significancia, no es posible concluir que existe una asociación estadísticamente significativa entre la variable de respuesta y el término. Le convendría reajustar el modelo sin el término.; Si existen múltiples predictores sin una asociación estadísticamente significativa con la respuesta, es posible reducir el modelo eliminando un término a la vez. Para obtener más información sobre cómo eliminar términos del modelo, vaya a Reducción del modelo.

Si un término del modelo es estadísticamente significativo, la interpretación depende del tipo de término. Las interpretaciones son las siguientes:

Si un factor categórico es significativo, es posible concluir que el factor tiene un efecto en el tiempo requerido para que ocurra el evento.
Si un predictor continuo es significativo, es posible concluir que los cambios en el valor del predictor están asociados a los cambios en el riesgo de que el sujeto experimente el evento.
Si un término de interacción es significativo, la relación entre un factor y la respuesta depende de los niveles del resto de los factores incluidos en el término. En este caso, los efectos principales no deben interpretarse sin considerar el efecto de interacción.
Si un término polinómico es significativo,es posible concluir que los datos contienen curvatura.

Análisis de Varianza

		Prueba de Wald
Fuente	GL	Chi-cuadrada	Valor p
Categoría de riesgo	2	9.77	0.008
Plaquetas normales	1	9.13	0.003
Etapa de la enfermedad	1	6.41	0.011

Resultados clave: Valor p

En estos resultados, el valor p para Categoría de riesgo es significativo a un nivel α de 0.05. Por lo tanto, es posible concluir que el Categoría de riesgo tiene un efecto estadísticamente significativo en el hecho de que el paciente esté libre de enfermedad. Puede llegar a la misma conclusión par Plaquetas normales y Etapa de la enfermedad.

Paso 3: Determine los riesgos relativos de los predictores

Utilice el riesgo relativo para evaluar el riesgo entre diferentes valores de las variables predictoras. Minitab muestra una tabla independiente de los riesgos relativos para las variables categóricas y continuas.

Variable categórica: En la tabla de riesgos relativos para predictores categóricos, Minitab etiqueta dos niveles de la variable categórica como Nivel A y Nivel B. El riesgo relativo describe la tasa de ocurrencia del evento para el nivel A en relación con el nivel B. Por ejemplo, en los siguientes resultados, el riesgo de experimentar el evento para pacientes con un Alto riesgo para Etapa de la enfermedad es 2 veces mayor que para los pacientes con un Etapa de la enfermedad de Normal.
Variable continua: En la tabla riesgos relativos para predictores continuos, Minitab muestra la unidad de cambio y el riesgo relativo. El riesgo relativo describe el cambio en la tasa de riesgos para cada unidad de cambio en el valor del predictor. Por ejemplo, si el riesgo relativo es 1.02 para la variable de edad, un paciente tiene 1.02 veces más probabilidades de experimentar el evento por cada aumento de 1 año en su edad.

Es posible utilizar el intervalo de confianza para determinar si el riesgo relativo es estadísticamente significativo. Por lo general, si el intervalo de confianza contiene 1, no se puede concluir que el riesgo relativo sea estadísticamente significativo.

Riesgos relativos para predictores categóricos

Nivel A	Nivel B	Riesgo relativo	IC de 95%
Categoría de riesgo
2	1	0.4524	(0.2409, 0.8495)
3	1	0.9673	(0.5116, 1.8290)
3	2	2.1383	(1.2487, 3.6616)
Plaquetas normales
Sí	No	0.3666	(0.1912, 0.7029)
Etapa de la enfermedad
Normal	Alto riesgo	0.4986	(0.2909, 0.8547)

Resultados clave: Riesgo relativo, IC de 95%

Paso 4: Determine si el modelo satisface la hipótesis de riesgos proporcionales

Utilice la tabla de pruebas para detectar riesgos proporcionales, la gráfica de Andersen y la gráfica de Arjas para determinar si el modelo cumple la hipótesis de riesgos proporcionales. Si los supuestos no se cumplen, el modelo podría no ajustarse a los datos adecuadamente y sería necesario tener precaución al interpretar los resultados.

Tabla de pruebas para detectar riesgos proporcionales

Utilice las pruebas para determinar si el modelo cumple con la hipótesis de riesgos proporcionales. La hipótesis nula es que el modelo cumple con la hipótesis para todos los predictores. Por lo general, un nivel de significancia (denotado como α o alfa) de 0.05 funciona adecuadamente. Un nivel de significancia de 0.05 indica un riesgo de 5% de concluir que el modelo explica la hipótesis cuando en realidad no es así.

Si el valor p es menor o igual al nivel de significancia, es posible concluir que el modelo no cumple la hipótesis de riesgos proporcionales. Si el valor p es mayor que el nivel de significancia, no es posible concluir que el modelo no cumple la hipótesis.

Gráfica de Andersen

Utilice la gráfica de Andersen para determinar si el modelo cumple la hipótesis de riesgos proporcionales para los diferentes estratos. Cada combinación de valores de una o más variables de estratificación define un estrato. La gráfica contiene una curva para cada estrato. Si el modelo cumple con la hipótesis, las curvas son líneas rectas a través del punto donde X = 0 e Y = 0. Si la tasa de riesgo inicial para un estrato es la misma que la tasa de riesgo inicial para el estrato en el eje X, entonces la curva sigue la línea de referencia de 45 grados en la gráfica.

Si el modelo no cumple con la hipótesis, considere si es necesario dividir los datos entre la variable de estratificación para la cual el modelo no cumple la hipótesis de riesgos proporcionales. Después, realice un análisis por separado en cada subconjunto de datos. Los análisis independientes proporcionan diferentes efectos para los predictores en cada subconjunto.

Pruebas para detectar riesgos proporcionales

Término	GL	Correlación	Chi-cuadrada	Valor p
Categoría de riesgo
2	1	0.0757	0.54	0.464
3	1	-0.1160	1.08	0.300
Plaquetas normales
Sí	1	0.0296	0.09	0.769
Etapa de la enfermedad
Normal	1	-0.1205	1.30	0.255
General	4	—	5.42	0.247

Resultados clave: Valor p

En estos resultados, los valores p para la prueba de riesgos proporcionales son todos los valores superiores a 0.05, por lo que no es posible concluir que el modelo no cumple la hipótesis de riesgos proporcionales.