Cox比例风险模型全集（二）

Cox比例风险模型，又称Cox回归模型，是临床数据分析中较为常用的一种生存分析方法，也是临床数据分析人员应掌握的基本方法。本文就有关Cox回归模型的一系列分析与可视化方法做了一个汇总，主要内容包括：单因素Cox回归、多因素Cox回归分析（含逐步回归）、PH假定检验和含时间依存变量的Cox回归模型、限制性立方样条在Cox回归模型中的应用、LASSO回归在Cox回归模型中的应用、Cox回归模型的评价（C-index、时间依存ROC曲线、校正曲线、决策曲线分析）、Cox回归模型的可视化（森林图、列线图）。另外，考虑到临床预测模型的热度，我们将通过临床预测模型的建立与验证这一过程对上述分析和可视化方法进行一一展现。

本贴将继续第一帖（Cox比例风险模型全集（一）），用实例演示批量单因素Cox回归、多因素Cox回归（Enter法）、逐步Cox回归分析。

二、单因素和多因素Cox回归模型

1.单因素Cox回归模型

第一帖中我们将数据集随机划分成了训练集和验证集，接下来我们用训练集进行单因素cox回归分析（如果变量全是分类变量，也可以用K-M生存分析和log-rank检验）。由于这个数据集的自变量不多，我们先通过建立多个单因素Cox回归模型进行单因素分析。

1.1 逐个进行单因素cox回归分析

1.2 批量进行单因素Cox回归分析

我们通过ezcox程序包的ezcox函数实现批量化单因素Cox回归分析。第一步先确定要进行单因素分析的自变量，第二步进行批量化，第三步输出结果

2.多因素Cox回归模型

经过单因素Cox回归分析，我们发现Age、Hist_type、Hist_stage和Tumor_number与结局有统计学关联，因此我们选用这4个自变量进行多因素模型的构建。

2.1 全变量进入法（Enter法）

2.2 逐步Cox回归

当自变量较多时，或者全变量纳入后若干变量无统计学意义，我们可以通过逐步cox回归建立最简模型。在这里，逐步Cox回归模型的建立是通过MASS程序包的stepAIC函数来完成，最后一步得到的变量没有变化，仍是全纳入的4个变量

我在2020年发过一个绘制森林图的帖子（来，挑一款你喜欢的森林图（超实用）），帖子发出后有很多朋友来找我要详细代码，前期也给很多人无偿分享过。为了让更多的站友学到如何绘制既使用又漂亮的森林图，本系列第三贴将分享绘制森林图的多种方式以及多种样式的森林图。