🔹 نقض فرض مخاطرات متناسب؛ وقتی اثر یک متغیر در طول زمان ثابت نمی‌ماند

در مدل استاندارد کاکس معمولاً فرض می‌شود نسبت مخاطره یک متغیر در طول زمان تقریباً ثابت است.

اما در بسیاری از پژوهش‌ها این فرض واقع‌بینانه نیست.

ممکن است یک مداخله در ماه‌های ابتدایی اثر زیادی داشته باشد، اما بعداً اثر آن کاهش یابد یا حتی جهت رابطه تغییر کند.

در این شرایط، گزارش یک نسبت مخاطره واحد می‌تواند بخشی از واقعیت را پنهان کند.

══════════════

🧠 فرض مخاطرات متناسب دقیقاً چه می‌گوید؟

فرض کنید دو گروه مداخله و کنترل را مقایسه می‌کنیم.

اگر نسبت مخاطره برابر باشد با:

HR = ۰٫۶۰

مدل استاندارد کاکس فرض می‌کند نسبت مخاطره دو گروه در طول دوره پیگیری تقریباً در همین سطح باقی می‌ماند.

این به معنای ثابت بودن خود مخاطره نیست.

مخاطره هر دو گروه می‌تواند با زمان تغییر کند؛ آنچه باید تقریباً ثابت بماند «نسبت» آن‌هاست.

══════════════

📌 نقض این فرض چگونه رخ می‌دهد؟

فرض کنید یک برنامه حمایت پژوهشی در شش ماه اول به شدت خطر ترک تحصیل را کاهش دهد، اما بعد از یک سال اثر آن تقریباً از بین برود.

ممکن است:

ماه‌های ابتدایی: HR ≈ ۰٫۴۰

ماه‌های بعدی: HR ≈ ۰٫۹۵

باشد.

در این وضعیت، گزارش یک HR کلی مانند ۰٫۶۵ ممکن است این تغییر مهم زمانی را پنهان کند.

══════════════

✍️ مثال پژوهشی

فرض کنید دو منحنی بقا در ابتدای مطالعه فاصله زیادی دارند، اما با گذشت زمان به یکدیگر نزدیک می‌شوند.

این الگو می‌تواند نشان دهد اثر گروه در طول زمان تغییر کرده است.

اگر در چنین شرایطی فقط بنویسیم:

«HR = ۰٫۶۸»

خواننده ممکن است تصور کند این کاهش مخاطره در تمام دوره تقریباً ثابت بوده است.

در حالی که اثر واقعی ممکن است عمدتاً مربوط به ماه‌های ابتدایی باشد.

══════════════

📌 باقی‌مانده‌های شونفلد چه کمکی می‌کنند؟

یکی از روش‌های رایج برای بررسی فرض مخاطرات متناسب، استفاده از باقی‌مانده‌های شونفلد است.

ایده کلی این است که بررسی کنیم آیا الگوی باقی‌مانده‌های مربوط به یک متغیر با زمان ارتباط منظمی دارد یا خیر.

اگر اثر متغیر واقعاً ثابت باشد، نباید روند زمانی مشخص و نظام‌مندی مشاهده شود.

وجود روند می‌تواند نشانه‌ای از تغییر اثر در طول زمان باشد.

══════════════

⚠️ خطای رایج: تکیه کامل بر آزمون آماری فرض تناسب

ممکن است آزمون رسمی برای فرض مخاطرات متناسب مقدار p معناداری تولید کند.

اما مانند بسیاری از آزمون‌های تشخیصی، نتیجه به حجم نمونه حساس است.

در نمونه بزرگ، انحراف کوچک ممکن است معنادار شود.

در نمونه کوچک نیز نقض مهم ممکن است شناسایی نشود.

بنابراین بهتر است آزمون رسمی همراه با نمودارها و منطق علمی تفسیر شود.

══════════════

📌 اگر فرض نقض شد چه کنیم؟

نقض فرض به این معنا نیست که کل تحلیل باید کنار گذاشته شود.

بسته به ساختار داده می‌توان:

اثر متغیر را وابسته به زمان مدل‌سازی کرد،

دوره پیگیری را به بازه‌های معنادار تقسیم کرد،

برای برخی متغیرها از لایه‌بندی استفاده کرد،

یا از مدل‌هایی استفاده کرد که اثرهای غیرمتناسب را مستقیماً در نظر می‌گیرند.

انتخاب راه‌حل باید با سؤال پژوهش هماهنگ باشد.

══════════════

🎯 چرا «اثر وابسته به زمان» مهم است؟

گاهی سؤال علمی دقیقاً این است که:

«اثر مداخله چه زمانی قوی‌تر است؟»

در چنین شرایطی، تغییر اثر در طول زمان یک مشکل آماری صرف نیست؛ بلکه خودش بخشی از یافته پژوهش است.

ممکن است مداخله در کوتاه‌مدت مؤثر باشد اما اثر پایدار نداشته باشد.

این نتیجه از نظر علمی بسیار متفاوت از یک اثر ثابت در کل دوره است.

══════════════

✅ جمع‌بندی

مدل کاکس استاندارد معمولاً فرض می‌کند نسبت مخاطره در طول زمان تقریباً ثابت است.

اگر این فرض نقض شود، یک HR واحد ممکن است بیش از حد ساده‌کننده باشد.

بنابراین باید بررسی کرد:

آیا اثر متغیر در طول زمان تغییر می‌کند؟

آیا نمودارها و باقی‌مانده‌ها این تغییر را نشان می‌دهند؟

و آیا لازم است اثر وابسته به زمان مدل‌سازی شود؟

در تحلیل بقا، «چه مقدار اثر وجود دارد؟» همیشه کافی نیست.

گاهی سؤال مهم‌تر این است:

«این اثر در چه زمانی وجود دارد و چگونه در طول زمان تغییر می‌کند؟»

📚 @confpaper