使用生命线和分类变量的Cox回归

Question

嗨，我在用救生索软件包做Cox回归。我想检查一个非二进制的分类变量的效果。 有没有一种内在的方法可以做到这一点？或者我应该将每个类别因子转换为一个数字？ 或者，在生命线中使用kmf fitter，是否可以对每个因素进行此操作，然后获得p值？ 我可以绘制单独的图，但我找不到如何计算p值

谢谢大家!

更新： 好的，如果在使用pd.get_假人后，我有一个数据帧df，形式如下：

            event     time       categorical_1 categorical_2  categorical_3
0              0      11.54             0             0             1
1              0       6.95             0             0             1
2              1       0.24             0             1             0
3              0       3.00             0             0             1
4              1      10.26             1             0             1
...          ...        ...           ...           ...           ...
1215           1       6.80             1             0             0

我现在需要删除一个虚拟变量。 然后做：

cph.fit(df, duration_col=time, event_col=event)

如果我现在想画出分类变量如何影响生存图，我该怎么做？ 我试过：

    summary = cph.summary
    for index, row in summary.iterrows():
        print(index)
        cph.plot_covariate_groups(index, [a[index].mean()], ax=ax)
    plt.show()

但它在同一条曲线上绘制了变量的所有不同因子，我认为曲线是不同的。 实际上，我不确定它是绘制所有曲线还是只绘制最后一条曲线，但它绘制了分类变量中所有可能性的图例

谢谢

Answer 1

与其他回归一样，您需要将分类变量转换为虚拟变量。您可以使用pandas.get_dummies来实现这一点。一旦完成，Cox回归模型将为您提供每个类别的估计值（除去删除的伪变量-请参见注释here）

对于第二个问题，您需要使用类似lifelines.statistics.multivariate_logrank_test的方法来测试一个类别是否不同。（另见lifelines.statistics.pairwise_logrank_test）

---

对于你的密谋问题，有一个更好的方法

cph.plot_covariate_groups(['categorical_1', 'categorical_2', ...], np.eye(n))

其中n是新数据帧中的类别数

请参阅此处的更多文档：https://lifelines.readthedocs.io/en/latest/Survival%20Regression.html#plotting-the-effect-of-varying-a-covariate