Consideraciones acerca de los datos para Ajuste el Modelo de Cox con Predictores Fijos solamente

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 a menudo son tiempos de falla

Para recolectar datos, generalmente se mide la cantidad de tiempo hasta que ocurre un evento específico cuando está sujeto a diferentes condiciones que se miden con una o más variables y/o factores. Por ejemplo, podría medir el tiempo que transcurre hasta que ocurre una falla para un elemento en funcionamiento a diferentes temperaturas.

Si los datos de respuesta de un sujeto se caracterizan por un intervalo de tiempo donde el sujeto está en riesgo, utilice Ajuste el Modelo de Cox con Formato del Proceso de Conte.

Los tiempos hasta la falla deben ser independientes

El tiempo hasta la falla de un elemento no debería influir en el tiempo hasta la falla de otro elemento. Si los tiempos hasta la falla son dependientes, los resultados pudieran no ser exactos. Por ejemplo, los tiempos entre fallas de un sistema reparable a menudo no son independientes. Si tiene datos donde el sujeto pueda experimentar el evento de interés múltiples veces, como un sistema reparable, utilice Ajuste el Modelo de Cox con Formato del Proceso de Conte.

Las variables predictivas deben ser fijas

Un predictor es fijo cuando se conoce su valor al inicio del estudio y éste no cambia durante el periodo de estudio. Por ejemplo, el lugar de nacimiento de un sujeto es un predictor fijo.

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 observación censurada ocurre si una unidad funciona después del período de prueba o si un sujeto se reubica en una nueva ciudad y se retira de un estudio.
• 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 tienen peligros o riesgos proporcionales para 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.