通过 COX 回归模型诊断 异常值

一、COX 回归模型概述

COX 回归模型，又称比例风险回归模型，是一种用于生存分析的统计方法。它能够在考虑多个协变量的情况下，评估这些协变量对个体生存时间的影响。该模型的一大特点是可以处理含有删失数据的生存资料，这使得它在医学随访研究等领域得到了广泛应用。

在 COX 回归模型中，风险函数 λ(t,X) 可以表示为 λ0 (t) exp (Xβ)，其中 λ0 (t) 是基准风险函数，X 是协变量向量，β 是回归系数向量。通过对回归系数的估计，可以了解各个协变量对生存时间的影响方向和程度。

在 COX 回归分析中，异常值的存在可能会给模型带来诸多问题。它们可能会扭曲协变量与生存时间之间的关系，使得模型参数的估计值偏离真实值，进而影响对各协变量作用的判断。同时，异常值还可能降低模型的拟合优度，导致模型对新数据的预测能力下降。

例如，在一项关于癌症患者生存时间的研究中，若存在一个异常的生存时间数据点，可能会使某个协变量（如治疗方法）的回归系数估计出现偏差，从而错误地判断该治疗方法对患者生存时间的影响。

杠杆值是用于衡量单个观测值对 COX 回归模型中回归系数估计影响程度的指标。其取值范围在 0 到 1 之间，值越大，说明该观测值对模型的影响越大，越有可能是异常值。一般来说，当杠杆值大于 2p/n（其中 p 为协变量的数量，n 为样本量）时，该观测值可能需要进一步检查。

Cook 距离是另一个用于诊断异常值的重要指标，它综合考虑了观测值的杠杆值和残差。Cook 距离越大，表明该观测值对模型参数估计的影响越大。通常，当 Cook 距离大于 4/n 时，可认为该观测值是强影响点，可能为异常值。

偏差残差能够反映观测值与 COX 回归模型预测值之间的差异。较大的偏差残差意味着观测值与模型的拟合程度较差，可能是异常值。在实际应用中，可以通过绘制偏差残差图，观察是否存在残差明显偏离其他值的观测点。

Martingale 残差类似于普通线性回归中的残差，当模型拟合良好时，Martingale 残差近似服从均值为 0 的正态分布，若存在明显偏离的残差，可能提示异常值。通过绘制 Martingale 残差的直方图或 Q-Q 图，可以直观地判断是否存在异常值。

Deviance 残差是对 Martingale 残差的一种变换，使其更接近正态分布，便于进行异常值诊断。与 Martingale 残差类似，较大的 Deviance 残差可能指示异常值的存在，可通过图形等方式进行识别。

删除异常值是一种简单直接的处理方法，但可能会丢失部分信息，需要谨慎使用。在删除异常值之前，应充分检查异常值产生的原因，确认其为错误数据或对模型有严重不良影响时方可删除。

若异常值是由于数据录入错误等原因导致的，可以结合专业知识和实际情况对其进行修正。例如，在医学研究中，若某个患者的年龄数据明显异常，可通过查阅原始病历进行核实和修正。

稳健的 COX 回归模型能够减少异常值对模型的影响，即使存在异常值，模型参数的估计也能保持相对稳定。这种方法在无法确定异常值是否应删除或修正时较为适用。

不能仅仅依靠单一的指标来判断异常值，应该结合多种方法进行综合判断。不同的诊断指标可能从不同角度反映观测值的异常程度，综合多种指标可以提高诊断的准确性。
要考虑异常值产生的原因，是数据录入错误还是真实存在的特殊情况。对于真实存在的特殊情况，不能简单地将其视为异常值删除，而应结合专业知识进行分析，可能这些特殊情况蕴含着重要的研究信息。
在诊断和处理异常值的过程中，需要保持严谨的态度，避免因主观判断而导致错误的结论。同时，应记录异常值的诊断过程和处理方法，以便其他研究者进行验证和重复。