Il rischio proporzionale si adatta al cambiamento di significato riducendo le variabili indipendentiCiao,
Mi sto ancora chiedendo; quando creo un modello di adattamento proporzionale con n variabili indipendenti e poi successivamente elimini quello non significativo in un approccio graduale, anche il mio logrank o il significato per le variabili indipendenti residue cambiano.
Come nel mio esempio ad un estremo - dove prima ho testato n variabili - poi lo ho ridotto a 2 cancellando quelle non significative - lasciando il peso e l'età, che appaiono altamente signifikant - ma se elimino uno o l'altro - l'altro rimanente , come singolare variabile indipendente non è più significativa?
Potresti gentilmente spiegarlo? - E ora è significativo o no?
Molte grazie, Marc
Ri: Il rischio proporzionale si adatta al cambiamento di significato riducendo le variabili indipendentiProbabilmente otterrai idee più sofisticate da altri in questo forum, ma offrirò alcune idee. Chiaramente il modello con peso ed età è di gran lunga superiore a quello con il solo peso (guarda la diagnostica in forma). Quindi, la mancanza di significato per il solo peso sembra significare che il peso è un predittore rumoroso a meno che non si tenga conto anche dell'età. Una volta che l'età è stata contabilizzata, è chiaro che il peso è importante - sospetto che se esaminate la relazione tra peso ed età troverete dei fondamenti logici per questi risultati. Detto questo, non penso che sia così significativo concentrarsi sulla presenza o sulla mancanza di significatività statistica - ciò che conta di più è che l'inclusione di entrambe le variabili fornisce un modello molto più informativo. Sembra che il peso riduca il rischio di sopravvivenza mentre l'età lo aumenta. Il fatto che il peso da solo non sembra influenzare il tempo di sopravvivenza probabilmente riflette il fatto probabile che il peso aumenta con l'età (così che senza contare l'età, sembra che il peso non sia sistematicamente correlato alla sopravvivenza).
