Modelo de riesgo proporcional

Introduccin:
El modelo de riesgo proporcional, es una tcnica que permite identificar y
evaluar la relacin entre un conjunto de variables explicativas y la tasa de
ocurrencia del suceso de inters. El modelo de regresin de Cox tambin permite
predecir las probabilidades de supervivencia para determinado sujeto a partir del
patrn de valores que presenten sus variables.

Funciones de riesgo:
Sea una variable aleatoria no negativa que representa el tiempo de
espera hasta que ocurra un evento.
Ahora consideraremos que es una variable aleatoria continua con una
funcin de densidad de una probabilidad (F.D.P)

y con una funcin de

la distribucin acumulada (F.D.A.), Pi , dndonos la probabilidad de
que ocurra un evento con una duracin .
En ocasiones ser conveniente usar el complemento de la funcin de la
distribucin F.D.A., la funcin de supervivencia

Pi

La funcin de supervivencia nos da la probabilidad que el evento de inters no
ocurra en el lapso .
Otra representacin de la distribucin de supervivencia es la funcin de
riesgo, la cual evala el riesgo instantneo del evento en el tiempo .

lim

Pi

El numerador es la probabilidad condicional de que ocurra el evento dentro del
intervalo , dado que no haya ocurrido con anterioridad y el denominador
es el ancho del intervalo. Al dividirlos, se obtiene la tasa de ocurrencia del evento
por unidad.
La probabilidad condicional del numerado puede ser escrita como la tasa de la
probabilidad conjunta en la que est en el intervalo , y . Es
decir, como para una pequea. Mientras que S() por definicin:

Esto significa que la tasa de ocurrencia del evento durante es igual a la densidad
del evento en , dividido por la probabilidad de supervivencia durante ese lapso sin
la experimentacin del evento.
Sabiendo que es la derivada de podemos rescribir la ecuacin anterior
como:

Ahora, si se integra de 0 a e introduciendo el lmite condicional de
(asegurando que el evento no ocurra en 0), podremos resolver la ecuacin de la
funcin de supervivencia, obteniendo la frmula para la probabilidad de
supervivencia en el lapso en funcin de riesgo de todos los lapso hasta .
exp

Notacin del modelo de la regresin de Cox
La regresin de Cox est definida por la siguiente funcin:

Dnde:
Tasa de riesgo de un sujeto, con valores X=

en las
variables explicativas, en el instante .
Es la variable respuesta que se modela. Representa el riesgo de que
suceda el evento en el instante , de los sujetos que tienen un
determinado patrn de valores X en las variables explicativas

: Funcin de riesgo mnimo o de referencia (baseline o underlyning

hazard function), que slo depende del tiempo, llamada as porque
representa las tasas instantneas de riesgo de un sujeto hipottico con
valor 0 en todas las variables predictivas (ya que el trmino exponencial
es

).

: Funcin exponencial cuyo exponente es la combinacin lineal, sin

trmino constante de las k variables explicativas (Xi).

En el modelo de Cox se define, para cada tiempo en que hay un evento, una
funcin de riesgo mnima. ste es el riesgo de supervivencia independiente de los
predictores (denominado

) y define un perfil de riesgo segn cada predictor

involucrado, que es dado por el valor *X. El riesgo de cada predictor es
proporcin del riesgo base

, muy similar al riesgo relativo. De ah viene el

nombre modelo de riesgos proporcionales.

Podemos encontrar que el modelo de riesgo proporcional es un modelo
aditivo simple para el logaritmo de los riesgos, con:

Donde

es el logaritmo del riesgo basal. Como en todos los

modelos aditivos, asumimos que el efecto de las covariables x son las mismas
para todos los lapsos .

Integrando la ecuacin del modelo de riesgo proporcional por ambos lados
desde 0 hasta , para obtener los riesgos acumulativos
tX t e

k
x
k

que tambin son proporcionales. Cambio de signos y exponenciando obtenemos
la funcin de supervivencia

StX

t e

k
x
k

donde

es la funcin de supervivencia basal. As, el efecto de los

valores covariables X en la funcin de supervivencia es para elevar a una potencia
dada por el riesgo relativo e

k
x
k

Para la interpretacin del modelo y ejemplos de cmo las covariables

Sea: .

denota el conjunto de riesgos en el tiempo , es decir, el conjunto de eventos en
virtud del tiempo observacin . Dado y que en el tiempo un evento en
ocurra, la probabilidad que sea precisamente el evento puede ser calculado
como:

un factor

(t) fue cancelado fuera del numerador y denominador. Po lo tanto Cox

propone que la interferencia estadstica de

puede ser llevado fuera

considerando:

como una funcin de verosimilitud para , los cuales el nivel, con muestras
grandes estndar, la teora de probabilidad mxima se podra aplicar. Cada
trmino en este producto es la probabilidad que en el tiempo

de un evento
observado, sea precisamente el

.

Pruebas de hiptesis del modelo

Una vez obtenida la expresin de verosimilitud parcial para el problema de estudio
sta se resuelve como si fuera una expresin de verosimilitud ordinaria completa.
Para ello se calcula el vector de puntuaciones o vector de primeras derivadas
determinado por:

donde

El vector tiene media=0 y matriz de covariancias denominada matriz de
informacin esperada o de Fisher, cuyos elementos vienen dados por:

La matriz de informacin observada tiene elementos definidos por:

Bajo la hiptesis nula

, el estadstico

se distribuye asintticamente segn una distribucin de ji- cuadrado con k (nmero
de covariables en el modelo) grados de libertad.
Este resultado permite probar la hiptesis nula segn la cual el vector B de
coeficientes de regresin es un vector nulo.
Los coeficientes de regresin indican la relacin existente entre la covariable
correspondiente y la funcin de azar. Un valor positivo del coeficiente supone un
aumento en el valor de la funcin de azar para el sujeto, lo que conlleva una
relacin negativa con el tiempo de supervivencia. Un coeficiente negativo tiene
una interpretacin opuesta a la explicada.
Relacin de f (t) con la distribucin exponencial.
Supongamos que la tasa de riesgo no vara en el tiempo, es decir
para .

A partir de esta suposicin se obtiene

siendo la constante de integracin. La condicin implica
necesariamente , y la solucin que se obtiene es

Esta es la funcin de supervivencia de la distribucin exponencial, porque la
funcin de densidad es:

La distribucin exponencial queda caracterizada por la funcin de riesgo, si es
grande indica alto riesgo y pequea supervivencia, por lo tanto, si es pequea
indica bajo riesgo y alta supervivencia.

Se obtiene que el estimador mximo-verosmil de es:

El intervalo de confianza para al nivel de confianza

donde

es el cuantil x de una

con grados de libertad

Relacin de f(t) con la distribucin gamma.

El modelo gamma est definido por la funcin de probabilidad

Siento la funcin gamma, definida como:

Como =1, la funcin de probabilidad cuando es la exponencial.
Otro caso particular de esta funcin es

, siendo r un nmero natural,

que recibe el nombre de ji-cuadrado con r grados de libertad. Del mismo modo que
la variable tiempo hasta que ocurra el primer evento de un proceso es de
Poisson es exponencial, la variable tiempo hasta que ocurra el evento k-simo es
gamma con k.


Relacin de f(t) con la distribucin de Poisson.
Teniendo del modelo de riesgo proporcional:

Podemos considerar una aproximacin de la funcin de riesgo basal

basada
en una divisin de la escala de tiempo en intervalos

donde

. Los intervalos cubren todo el perodo,

no se solapan y tienen una longitud distinta de cero. En cada intervalo se asume
que el riesgo es constante. De esta forma,

es aproximada por una funcin a

trozos (step function):

Por consiguiente el modelo de riesgos proporcionales considerando esta
aproximacin para

seria:

Aplicando logaritmos observamos que es un modelo log-lineal(regresin de
Poisson):

donde

Podemos ajustar un modelo Poisson tratando los indicadores de evento

como
si fuesen observaciones independientes de una Poisson con media

donde

es la funcin de riesgo del individuo i en el intervalo k. Por consiguiente,

tendremos:
log

log

log

log

donde

log

Se puede apreciar la similitud en la expresin del piecewise exponential model
definido para el modelo de riesgos proporcionales y modelo log-lineal Poisson
tomando como respuesta

y trmino offset log

Adems, Holford
demostr que la verosimilitud para el modelo Poisson y la del modelo de riesgos
proporcionales piecewise exponential eran proporcionales. Es decir, eran
semejantes excepto por un trmino constante que no afectara en la estimacin de
los parmetros. Por lo tanto, se obtendra las mismas estimaciones de los
parmetros si se utilizar el modelo Poisson.



Ilustracin 1
Algunos modelos matemticos utilizados para anlisis de supervivencia.
Ilustracin1. Distribucin Gamma. Ilustracin 2. Distribucin Exponencial.


Ilustracin 2

EJEMPLO:
Estmese la funcin de supervivencia, asumiendo el modelo gamma, y realcese la prueba
de la bondad de ajuste, para los datos de la tabla.
La salida del PRESTA es (ntese que se denomina parmetro A a y parmetro B a
Parmetro Error Estndar
A 7.84341 .85924
B .08169 .00947

Matriz de Covarianzas
A B
A .73824 .00772
B .00772 .00009

LOGARITMO DE MAXIMA VEROSIMILITUD SIN MODELO -388.936400
LOGARITMO DE MAXIMA VEROSIMILITUD DEL MODELO -460.552600

JI-CUADRADO: 143.23240 G.L.: 64 p= .000000

TABLA DE VALORES OBSERVADOS Y ESPERADOS
(SOLO CUENTAN LOS EVENTOS)
INTERVALO OBSERVADOS ESPERADOS CONT. JI2
< 17.80 .00 .02 .0182
17.80 - 35.60 1.00 1.15 .0205
35.60 - 53.40 6.00 7.07 .1621
53.40 - 71.20 17.00 15.81 .0901
71.20 - 89.00 19.00 20.45 .1023
89.00 - 106.80 17.00 18.87 .1846
106.80 - 124.60 19.00 13.86 1.9044
124.60 - 142.40 8.00 8.65 .0485
142.40 - 160.20 5.00 4.77 .0110
> 160.20 3.00 4.36 .4233

RUEBA DE BONDAD DE AJUSTE
JI-CUADRADO: 2.96491 G.L.: 7 p= .888640
Con ambas pruebas de bondad de ajuste se acepta el modelo gamma y en la grfica
tambin se observa que el modelo es satisfactorio.



Al hacer de una bsqueda sobre aplicaciones del modelo de Cox, encontramos
con artculos sobre esto los cuales estn en las siguientes ligas:

-Aplicacin del modelo de Cox para estimar del desempeo de proveedores de
servicio de mantenimiento. Aqu

-Modelo de regresin de Cox: ejemplo numrico del proceso de estimacin de
parmetros. Aqu











Bibliografa:
COX, D.R. (1972). Regression models and life-tables. Journal of the Royal
Statistical Society,
PALMER, A. (1988). Anlisis de la supervivencia. Barcelona: Universidad
Autnoma de Barcelona.
D.Y. LIN(1994) Cox regression analysis of multivariate failure time data: the
marginal approach, Seattle: university of Washington, U.S.A
RICHARD D. GILL Journal of the American Statistical Association, Volume 79,
issue 386 (Jun, 1984) pp 441-447
D.R COX Journal of the Royal Statistical Society, Series B, Vol. 34, No. 2(1972) pp
187-220
X.D DURAN JORD, Comparacin de la regresin Poisson y la regresin de
Cox, Universitat Pompeu Fabra, Octubre 2010
COLLET D.. (1994), Modelling Survival Data in Medical Research, Chapman and
Hall: London