coxph()X矩阵被认为是单数;

Question

我在使用coxph()时遇到了一些麻烦.我有两个分类变量:"tecnologia"和"pais",我想评估"pais"对"tecnologia"的可能的交互作用."tecnologia"是一个具有2个级别的变量因子:gps和convencional.而"pais"为2级:PT和ES.我不知道为什么这个警告不断出现.这是代码和输出:

cox_AC<-coxph(Surv(dados_temp$dias_seg,dados_temp$status)~tecnologia*pais,data=dados_temp)
Warning message:
In coxph(Surv(dados_temp$dias_seg, dados_temp$status) ~ tecnologia *  :
  X matrix deemed to be singular; variable 3

> cox_AC
Call:
coxph(formula = Surv(dados_temp$dias_seg, dados_temp$status) ~ 
    tecnologia * pais, data = dados_temp)


                       coef exp(coef) se(coef)     z     p
tecnologiagps        -0.152     0.859    0.400 -0.38 7e-01
paisPT                1.469     4.345    0.406  3.62 3e-04
tecnologiagps:paisPT     NA        NA    0.000    NA    NA

Likelihood ratio test=23.8  on 2 df, p=6.82e-06  n= 127, number of events= 64 

我正在打开关于这个主题的另一个问题,虽然几个月前我做了一个类似的问题,因为我再次面临同样的问题,还有其他数据.而这次我确定这不是一个与数据相关的问题.

有人能帮助我吗？谢谢

更新: 问题似乎不是一个完美的分类

> xtabs(~status+tecnologia,data=dados)  

      tecnologia
status conv doppler gps  
     0   39       6  24  
     1   30       3  34 

> xtabs(~status+pais,data=dados)  

      pais  
status ES PT  
     0 71  8  
     1 49 28  
 > xtabs(~tecnologia+pais,data=dados)

          pais  
tecnologia ES PT
   conv    69  0
   doppler  1  8
   gps     30 28

Answer 1

这是一个简单的例子,似乎可以重现你的问题:

> library(survival)
> (df1 <- data.frame(t1=seq(1:6),
                    s1=rep(c(0, 1), 3),
                    te1=c(rep(0, 3), rep(1, 3)),
                    pa1=c(0,0,1,0,0,0)
                    ))
   t1 s1 te1 pa1
 1  1  0   0   0
 2  2  1   0   0
 3  3  0   0   1
 4  4  1   1   0
 5  5  0   1   0
 6  6  1   1   0

> (coxph(Surv(t1, s1) ~ te1*pa1, data=df1))
Call:
coxph(formula = Surv(t1, s1) ~ te1 * pa1, data = df1)


        coef exp(coef) se(coef)         z  p
te1      -23  9.84e-11    58208 -0.000396  1
pa1      -23  9.84e-11   100819 -0.000229  1
te1:pa1   NA        NA        0        NA NA

现在让我们像这样寻找'完美分类':

> (xtabs( ~ s1+te1, data=df1))
   te1
s1  0 1
  0 2 1
  1 1 2
> (xtabs( ~ s1+pa1, data=df1))
   pa1
s1  0 1
  0 2 1
  1 3 0

请注意,1用于pa1 精确预测状态s1等于的值0.也就是说,根据您的数据,如果您知道,pa1==1那么您可以肯定s1==0.因此,在此设置中拟合Cox模型是不合适的,并且会导致数值误差.这可以看出来

> coxph(Surv(t1, s1) ~ pa1, data=df1)

给

Warning message:
In fitter(X, Y, strats, offset, init, control, weights = weights,  :
  Loglik converged before variable  1 ; beta may be infinite. 

在拟合模型之前查看这些交叉表非常重要.在考虑涉及交互的那些模型之前,还值得从更简单的模型开始.

如果我们df1手动添加交互项如下:

> (df1 <- within(df1,
+               te1pa1 <- te1*pa1))
  t1 s1 te1 pa1 te1pa1
1  1  0   0   0      0
2  2  1   0   0      0
3  3  0   0   1      0
4  4  1   1   0      0
5  5  0   1   0      0
6  6  1   1   0      0

然后检查一下

> (xtabs( ~ s1+te1pa1, data=df1))
   te1pa1
s1  0
  0 3
  1 3

我们可以看到它是一个无用的分类器,即它无助于预测状态s1.

当组合所有3个项时,钳工确实设法产生数值te1,pe1即使pe1是如上所述的完美预测器.然而,看看系数的值及其误差表明它们是不可信的.

编辑 @JMarcelino:如果您查看coxph示例中第一个模型的警告消息,您将看到警告消息:

2: In coxph(Surv(t1, s1) ~ te1 * pa1, data = df1) :
  X matrix deemed to be singular; variable 3

这可能是你得到的同样的错误,并且是由于这个分类问题.此外,你的第三个交叉表xtabs(~ tecnologia+pais, data=dados)不作为的表作为重要status的interaction term.您可以先手动添加交互项,如上例所示,然后检查交叉表.或者你可以说:

> with(df1,
       table(s1, pa1te1=pa1*te1))
   pa1te1
s1  0
  0 3
  1 3

也就是说,我注意到你的第三个表中的一个单元格有一个零(conv,PT)意味着你没有观察到这种预测变量的组合.这会在试图适应时引起问题.

一般而言,结果应该对所有预测因子水平都有一些值,预测因子不应将结果分类为全部或全部或50/50.

编辑2 @ user75782131是的,一般来说xtabs或类似的交叉表应该在结果和预测因子是离散的模型中执行,即具有有限的编号.水平.如果存在"完美分类",则预测模型/回归可能不合适.例如,逻辑回归(结果是二元)以及Cox模型都是如此.