为什么cox回归中的ties对结果影响这么大

主要观点总结

文章介绍了cox回归在处理生存数据时与广义线性模型的不同，并详细解释了风险集、部分最大似然估计（PML）、ties的概念。文章还对比了三种处理ties的方法：breslow法、Efron法和Exact法。最后发布了一个关于临床统计交叉融合的学术会议通知。

关键观点总结

关键观点1: Cox回归与广义线性模型的区别及生存数据处理特点

Cox回归处理的是生存数据，考虑事件发生时间，风险集随时间变化。

关键观点2: 风险集、部分最大似然估计（PML）和ties的概念解释

风险集指处于风险状态的人群集；PML利用事件发生顺序进行估计；ties指在随访同一时间点上多人同时发生事件，影响参数估计。

关键观点3: 三种处理ties的方法比较

breslow法、Efron法和Exact法处理ties的思路和差异，以及在实际应用中的考虑因素。

关键观点4: 学术会议通知

介绍由北京慢性病防治与健康教育研究会等联合举办的2024年临床统计交叉融合学术会议，会议内容、时间和地点，以及会议涉及的主题和嘉宾。

文章预览

在介绍ties之前，首先要了解cox回归的参数估计的思路。传统的广义线性模型，通常采用最大似然估计，简单来说就是选择最可能出现当前结果的参数。 cox回归有什么不同呢？cox回归处理的是生存数据，它与其它数据的不同之处在于考虑到了事件发生时间。也就是说，事件发生的顺序很重要。如果不考虑事件发生顺序，那相当于只关心发生与否，那收集生存时间的数据意义就不大了。 然后我们要继续了解几个概念。 首先，要了解风险集的概念。风险集，顾名思义，就是处于风险状态的人群集，也就是说，这些人具有死亡风险（这里的死亡是泛指，表示任意感兴趣的事件）。因为生存数据跟传统数据不同，在传统横断面数据中，所有人都在风险集中，因为每个人都有概率发生事件。而生存数据不同，风险集是变化的，比如观察100个人，基线的100人都 ………………………………