↵
R语言使用cph函数和rcs函数构建限制性立方样条cox回归模型、使用rms包的Predict函数计算指定连续变量在不同分组变量下和风险比HR值的关系、使用ggplot2可视化连续变量在不同分组变量下和风险值HR的关系、美化可视化图像
目录
R语言使用cph函数和rcs函数构建限制性立方样条cox回归模型、使用rms包的Predict函数计算指定连续变量在不同分组变量下和风险比HR值的关系、使用ggplot2可视化连续变量在不同分组变量下和风险值HR的关系、美化可视化图像
#为什么需要样条分析、样条回归、和多项式回归有什么不同？
#导入包和库
#仿真数据及数据预处理
#数据注册（为后续程序设定数据环境）
#R语言使用cph函数和rcs函数构建限制性立方样条cox回归模型
#R语言使用cph函数和rcs函数构建限制性立方样条cox回归模型、使用rms包的Predict函数计算指定连续变量在不同分组变量下和风险比HR值的关系、使用ggplot2可视化连续变量在不同分组变量下和风险值HR的关系、美化可视化图像
#为什么需要样条分析、样条回归、和多项式回归有什么不同？
在病因推断、剂量效应研究中，时常要分析自变量和因变量的数量关系。广义线性模型，如Logistic回归、Possion回归等是应用比较广泛的方法。它的一个重要假设是通过选择合适的链接函数，因变量与自变量的关系呈线性。这个假设在某些情况下并不成立。
此时一个常见的处理是采用百分位数等方法将连续性变量分段(p for trend)。但是分段往往主观，而且损失信息，并有可能引入偏倚。本文介绍限制性立方样条拟合自变量和因变量之间的非线性关系。
限制性立方样条中节点的个数(k)和位置可以由研究人员根据研究背景和数据选择。当有较强的背景知识支持，知道自变量和应变量的关系在某些特定节点转折时，可以选择这些特定的节点。但是实际上往往没有足够的背景知识足以确定节点的个数和位置。所幸绝大多数情况下，节点的位置对限制性立方样条的拟合影响不大，相对来说节点的个数是更关键的参数。节点的个数决定曲线的形状，或者说平滑程度。当节点的个数为2时，得到的拟合曲线就是一条直线。当节点个数等于样本量时，相当于将各个点用线段相连，得
