Considérations relatives aux données pour Ajuster le modèle de Cox avec des prédicteurs fixes uniquement

Pour vous assurer que vos résultats sont valables, tenez compte des indications suivantes lorsque vous collectez des données, effectuez l'analyse et interprétez vos résultats.

La variable de réponse doit être continue

Les données continues sont des mesures pouvant correspondre à toutes les valeurs numériques d'une étendue de valeurs le long d'une échelle continue, y compris des valeurs fractionnaires ou décimales.

Les données de réponse sont souvent des temps de défaillance

Pour collecter des données, vous mesurez généralement la durée avant défaillance d'un élément lorsque ce dernier est soumis à diverses conditions représentées par un ou plusieurs facteurs et/ou variables. Par exemple, vous pouvez mesurer la durée avant défaillance d'un élément fonctionnant à différentes températures.

Si les données de réponse d’un sujet sont caractérisées par un intervalle de temps dans lequel le sujet est à risque, utilisez Ajuster le modèle de Cox sous forme de processus de comptage.

Les temps de défaillance doivent être indépendants

Le temps de défaillance d'un élément de doit pas influer sur celui d'un autre élément. Si les temps de défaillance sont dépendants, les résultats peuvent ne pas être exacts. Par exemple, dans le cas d'un système réparable, les durées séparant les défaillances ne sont souvent pas indépendantes. Si vous avez des données où le sujet peut faire l’expérience de l’événement d’intérêt plusieurs fois, comme un système réparable, utilisez Ajuster le modèle de Cox sous forme de processus de comptage.

Les variables de prédiction doivent être quantitatives

Un prédicteur est fixe lorsque vous connaissez sa valeur au début de l’étude et qu’il ne change pas pendant la période d’étude. Par exemple, le lieu de naissance d’un sujet est un prédicteur fixe.

Vous devez tenir compte des données tronquées

Étant donné que les données de réponse sont temporelles, elles sont sujettes à la censure et à la troncature. Pour les modèles de régression de Cox, la forme la plus courante de censure est la censure à droite, et la forme la plus courante de troncature est la troncature à gauche. Vous pouvez spécifier une colonne pour indiquer les temps de réponse qui sont censurés et non censurés.

• Tronquée à droite: Un temps de réponse du sujet est correctement censuré si le sujet ne connaît pas l’événement d’intérêt avant la fin de l’étude, ou si le sujet est retiré de l’étude avant qu’il ne subisse l’événement. Par exemple, une observation censurée se produit si une unité fonctionne après la période de test ou si un sujet déménage dans une nouvelle ville et se retire d’une étude.
• Entrées de troncature ou de retard à gauche : La troncature gauche se produit lorsque vous n’observez pas un sujet au début de l’étude. Au lieu de cela, vous les incluez plus tard dans l’étude lorsqu’un événement intermédiaire se produit. Le moment où le sujet entre dans l’étude est connu sous le nom de temps d’entrée ou de troncature. Par exemple, vous n’incluez pas les patients sur une liste d’attente pour une greffe d’organe jusqu’à ce qu’un organe soit disponible pour une greffe.

Les sujets sur différents traitements vivent l’événement à des taux proportionnels

Le modèle de régression de Cox ne nécessite pas de spécifier une distribution paramétrique pour les données de réponse. Cependant, le modèle suppose que les personnes dans deux traitements différents ont des dangers ou des risques proportionnels de vivre l’événement. L’hypothèse des risques proportionnels fournit une interprétation simple des coefficients de régression en termes de rapports de risque ou de risques relatifs. Si l’hypothèse des dangers proportionnels ne tient pas, le tableau des risques relatifs peut donner des conclusions erronées. Utilisez les tests pour le tableau des dangers proportionnels, le diagramme d’Andersen et le diagramme d’Arjas pour vérifier cette hypothèse.

Le modèle doit être à rang complet.

Un modèle à rang complet comporte suffisamment de données pour estimer tous les termes qu'il contient. En cas de données manquantes, d'insuffisance des données ou de colinéarité élevée, le modèle peut ne pas être à rang complet. Dans ce cas, Minitab vous alerte lors de l'analyse. Ce problème peut généralement être résolu en supprimant les interactions non importantes d'ordre supérieur du modèle.