🔹 مدل کاکس؛ چگونه اثر چند متغیر را بر زمان وقوع یک رویداد همزمان بررسی کنیم؟
منحنی کاپلان مایر و آزمون لگرنک برای مقایسه بقا بین گروهها مفیدند، اما وقتی بخواهیم اثر چند متغیر را همزمان بررسی کنیم، به مدلی انعطافپذیرتر نیاز داریم.
یکی از رایجترین روشها «مدل مخاطرات متناسب کاکس» است.
══════════════
🧠 مدل کاکس چه کاری انجام میدهد؟
مدل کاکس بررسی میکند هر متغیر چگونه با نرخ لحظهای وقوع یک رویداد مرتبط است، در حالی که سایر متغیرهای واردشده در مدل ثابت نگه داشته میشوند.
برای مثال میتوان همزمان اثر این متغیرها را بر زمان تا ترک تحصیل بررسی کرد:
سن،
معدل،
اضطراب تحصیلی،
حمایت استاد،
و سابقه افت تحصیلی.
══════════════
📌 خروجی اصلی مدل چیست؟
یکی از مهمترین خروجیهای مدل کاکس «نسبت مخاطره» است.
اگر برای اضطراب تحصیلی:
HR = ۱٫۴۰
به دست آید، تفسیر تقریبی این است که با یک واحد افزایش اضطراب، مخاطره لحظهای ترک تحصیل حدود ۴۰ درصد بیشتر میشود، با ثابت نگه داشتن سایر متغیرهای مدل.
اگر:
HR = ۰٫۷۰
باشد، مخاطره حدود ۳۰ درصد کمتر است.
══════════════
✍️ مثال پژوهشی
فرض کنید در یک مطالعه طولی، زمان تا ترک تحصیل بررسی شده است.
نتایج مدل نشان میدهد:
حمایت استاد: HR = ۰٫۷۲
اضطراب تحصیلی: HR = ۱٫۳۵
معدل: HR = ۰٫۸۵
در این مدل، حمایت بیشتر و معدل بالاتر با مخاطره کمتر ترک تحصیل مرتبطاند، در حالی که اضطراب بیشتر با مخاطره بالاتر همراه است.
این تفسیرها مشروط به سایر متغیرهای واردشده در مدل هستند.
══════════════
📌 چرا مدل کاکس نسبت به مقایسه ساده گروهها مفیدتر است؟
فرض کنید دو گروه از نظر میزان حمایت استاد تفاوت دارند، اما همزمان از نظر معدل نیز متفاوتاند.
اگر فقط منحنیهای بقا را مقایسه کنیم، ممکن است بخشی از تفاوت مشاهدهشده ناشی از معدل باشد.
مدل کاکس اجازه میدهد این متغیرها همزمان در مدل وارد شوند و ارتباط تعدیلشده هر کدام بررسی شود.
البته این تعدیل فقط برای متغیرهایی انجام میشود که واقعاً اندازهگیری و وارد مدل شدهاند.
══════════════
⚠️ فرض مهم: مخاطرات متناسب
مدل استاندارد کاکس معمولاً فرض میکند نسبت مخاطره بین گروهها یا سطوح متغیرها در طول زمان تقریباً ثابت است.
مثلاً اگر HR برابر ۰٫۶۰ باشد، فرض میشود این نسبت در طول دوره پیگیری به طور تقریبی پایدار است.
اگر اثر یک متغیر در ابتدای مطالعه بسیار قوی و بعداً ضعیف یا معکوس شود، این فرض ممکن است نقض شود.
در چنین شرایطی یک HR واحد میتواند خلاصه ناقصی از رابطه باشد.
══════════════
📌 چگونه فرض مخاطرات متناسب را بررسی کنیم؟
بررسی این فرض فقط با نگاه کردن به مقدار p ضرایب کافی نیست.
میتوان از روشهایی مانند:
بررسی نمودارهای تشخیصی،
باقیماندههای شونفلد،
و مدلسازی اثرهای وابسته به زمان
استفاده کرد.
اگر فرض نقض شود، ممکن است لازم باشد مدل اصلاح شود.
══════════════
🎯 چه چیزهایی را در گزارش مدل کاکس بیاوریم؟
برای هر متغیر مهم بهتر است گزارش شود:
نسبت مخاطره،
فاصله اطمینان ۹۵ درصد،
مقدار p،
تعریف دقیق واحد افزایش متغیر،
و نحوه بررسی فرض مخاطرات متناسب.
همچنین تعداد رویدادهای واقعی نیز اهمیت زیادی دارد، نه فقط حجم نمونه کل.
══════════════
✅ جمعبندی
مدل کاکس برای تحلیل زمان تا وقوع رویداد استفاده میشود و امکان بررسی همزمان چند متغیر را فراهم میکند.
اما سه نکته مهم را نباید فراموش کرد:
نسبت مخاطره با احتمال وقوع رویداد یکسان نیست،
تعدیل آماری فقط متغیرهای واردشده به مدل را کنترل میکند،
و فرض مخاطرات متناسب باید بررسی شود.
مدل کاکس زمانی قابل اتکاتر است که هم ضرایب آن درست تفسیر شوند و هم ساختار زمانی اثرها با مفروضات مدل سازگار باشد.
📚 @confpaper
Post #1347
64