Skip to content

Statistics › 存活分析 › 模型診斷

Cox 模型診斷 (Model Diagnostics & Violations) ​

配適 Cox 模型不是最後一步。忽略假設檢查就發表 Cox 結果,等同於發表線性迴歸卻不看殘差圖。一般迴歸的診斷(槓桿、Cook's distance)見 多變量:模型診斷 與 Statsmodels: Diagnostics。

檢查順序:(1) 比例風險 → (2) 連續共變數的函數形式 → (3) 影響點 → (4) 區辨力 → (5) 校準。不要直接跳到 C-index:模型可能排序得很好,但結構上設定錯誤。

檢查工具合格
比例風險 (PH)log-log 圖、Schoenfeld 殘差平行;無時間趨勢、p > 0.05
函數形式Martingale 殘差 vs 共變數LOWESS 接近水平
影響點dfbeta 殘差無極端值
配適不佳的個體Deviance 殘差|值| < 2
區辨力C-index> 0.7 為佳
校準預測 vs 觀察存活貼近 45° 線

比例風險假設 (PH) ​

違反時:估計的 HR 是跨時間的平均,可能不代表任何特定時期;CI 可能太窄;實質結論可能完全錯誤。

視覺檢查:log-log 圖 ​

在 PH 下,log⁡(−log⁡S^(t))=log⁡H0(t)+β⊤x,各組曲線對 log t 應該平行(垂直距離固定 = log HR 固定)。交叉或系統性分開 → 違反 PH。

正式檢定:Schoenfeld 殘差 ​

每個共變數在每個事件時間都有一個 Schoenfeld 殘差。PH 成立時,殘差應沒有時間趨勢。H₀:βₖ(t) 不隨時間改變。

python
import numpy as np
import matplotlib.pyplot as plt
from lifelines import CoxPHFitter, KaplanMeierFitter
from lifelines.datasets import load_rossi

rossi = load_rossi()
T, E = rossi["week"], rossi["arrest"]
cph = CoxPHFitter().fit(rossi, duration_col="week", event_col="arrest",
                        formula="fin + age + race + wexp + mar + paro + prio")

# 1. 一行完成 Schoenfeld 檢定 + 殘差圖 + 修正建議(首選)
cph.check_assumptions(rossi, p_value_threshold=0.05, show_plots=True)

# 2. log-log 圖
for g, label in [(1, "Aid"), (0, "No Aid")]:
    m = rossi["fin"] == g
    sf = KaplanMeierFitter().fit(T[m], E[m]).survival_function_.iloc[:, 0]
    sf = sf[(sf > 0) & (sf < 1)]
    plt.plot(np.log(sf.index), np.log(-np.log(sf)), label=label)
plt.xlabel("log(t)"); plt.ylabel("log(-log S(t))"); plt.legend(); plt.show()

# 3. 其他殘差
mart = cph.compute_residuals(rossi, kind="martingale")       # 函數形式
dfb  = cph.compute_residuals(rossi, kind="delta_beta")       # 每個係數的影響點
dev  = cph.compute_residuals(rossi, kind="deviance")         # 配適不佳者,|dev| > 2

R:cox.zph(m) 與 plot(cox.zph(m));residuals(m, type = "dfbeta")、type = "deviance"。

違反 PH 時的對策 ​

情況建議
單一共變數違反依該變數分層(strata=[...]),見 Cox 模型
效果隨時間改變且想估計共變數 × 時間 交互作用(時間相依係數)
整體都違反加速失敗時間 (AFT) 模型,見 參數模型
風險曲線交叉比較 RMST 而非 HR
效果只在特定時段分段指數模型 (piecewise exponential)、分段 HR
python
from lifelines import WeibullAFTFitter, CoxTimeVaryingFitter
from lifelines.utils import to_episodic_format

# 時間相依係數:轉成區間格式後加入 共變數 × 時間
long = to_episodic_format(rossi, duration_col="week", event_col="arrest")
long["prio_x_logt"] = long["prio"] * np.log(long["stop"])
CoxTimeVaryingFitter().fit(long, id_col="id", start_col="start", stop_col="stop",
                           event_col="arrest", formula="fin + age + prio + prio_x_logt")

# AFT:不假設比例風險
WeibullAFTFitter().fit(rossi, duration_col="week", event_col="arrest",
                       formula="fin + age + prio").print_summary()

AFT 係數:exp(β) 為時間比 (time ratio / acceleration factor);> 1 → 事件發生較晚(存活時間延長)、< 1 → 較早。在工程可靠度或商業情境中,「存活時間的倍數」通常比 HR 更直覺。

區辨力:C-index ​

Concordance index:隨機取兩人,模型預測風險較高者確實較早發生事件的機率,是存活版的 AUC。

C-index解讀
0.5隨機
0.6–0.7普通
0.7–0.8良好
> 0.8很好
python
from lifelines.utils import concordance_index
concordance_index(rossi["week"], -cph.predict_partial_hazard(rossi), rossi["arrest"])   # 風險取負號
cph.concordance_index_                                                                 # 模型摘要內建

校準與驗證 ​

類型說明工具
內部驗證Bootstrap / 交叉驗證評估可重現性與樂觀偏誤R rms::validate();Python lifelines.utils.k_fold_cross_validation
外部驗證套用到獨立世代新資料上的 C-index、校準、時間相依 AUC
校準圖某時點預測存活 vs 觀察存活R rms::calibrate();lifelines.calibration.survival_probability_calibration
整體預測誤差同時考量區辨與校準Brier score / integrated Brier score(scikit-survival)

C-index 高不保證校準:模型可能排序正確,但系統性高估或低估絕對存活機率。區辨力與校準是兩件獨立的事,都要檢查。