外觀
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,
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| > 2R: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。