使用相同的停止和启动时间，从R中的coxph得到两个不同的结果，为什么？

我在生存分析中遇到了障碍；我认为这与审查类型有关。这是我的前30行生存数据。tstart是指患者入院并开始接受干预时，tstop为死亡（状态=1）或出院（已审查，状态=0）：

根据我如何将这些数据输入coxph函数，我会得到两个不同的结果。即：

# METHOD ONE:
> coxph (Surv (time = (tstop - tstart), event = status) ~ Intervention, data = df.use)
Call:
coxph(formula = Surv(time = (tstop - tstart), event = status) ~ 
    Intervention, data = df.use)

                     coef exp(coef) se(coef)      z     p
InterventionTRUE -0.05975   0.94200  0.04727 -1.264 0.206

Likelihood ratio test=1.58  on 1 df, p=0.2084
n= 7362, number of events= 2364 

# METHOD TWO:
> coxph (Surv (time = tstart, time2 = tstop, event = status) ~ Intervention, data = df.use)
Call:
coxph(formula = Surv(time = tstart, time2 = tstop, event = status) ~ 
    Intervention, data = df.use)

                     coef exp(coef) se(coef)      z             p
InterventionTRUE -0.29936   0.74129  0.04902 -6.106 0.00000000102

Likelihood ratio test=35.67  on 1 df, p=0.000000002337
n= 7362, number of events= 2364 

我原以为这两种方法会返回相同的风险比，但结果却截然不同。为什么会这样？如何避免呢？

我不相信

Surv（time=（tstop-tstart），event=status）

等同于

Surv（time=tstart，time2=tstop，event=status）

。

time

和

time2

之间的间隔并不是全部观察结果，而是已知死亡或审查发生的时间。因此，所有死亡事件的

时间

和

时间2

都相等

tstop-tstart

---

当您不知道死亡时间或审查时间是多少，但您知道它在两个值之间时，使用间隔。

这更像是一个统计问题，而不是一个编程问题。简而言之，这两种方法是两种不同的东西。您应该仅对间隔截尾数据使用time2。你的研究设计暗示了正确的审查数据，因此方法1是正确的——这就是你应该使用的方法。谢谢，明白了。当我试图最终进行时间依赖性生存分析时（其中一个时间段患者没有接受干预，第二个时间段患者正在接受干预），我认为我必须使用第二种格式（w/时间和时间2）。我现在将提出一个新问题，重点是这个问题。谢谢你的帮助。我已经在上问了我的新问题，如果你能阅读，我将不胜感激。谢谢，谢谢，我明白了。当我试图最终进行时间依赖性生存分析时（其中一个时间段患者没有接受干预，第二个时间段患者正在接受干预），我认为我必须使用第二种格式（w/时间和时间2）。我现在将提出一个新问题，重点是这个问题。谢谢你的帮助。我已经在上问了我的新问题，如果你能阅读，我将不胜感激。非常感谢。

# METHOD ONE:
> coxph (Surv (time = (tstop - tstart), event = status) ~ Intervention, data = df.use)
Call:
coxph(formula = Surv(time = (tstop - tstart), event = status) ~ 
    Intervention, data = df.use)

                     coef exp(coef) se(coef)      z     p
InterventionTRUE -0.05975   0.94200  0.04727 -1.264 0.206

Likelihood ratio test=1.58  on 1 df, p=0.2084
n= 7362, number of events= 2364 

# METHOD TWO:
> coxph (Surv (time = tstart, time2 = tstop, event = status) ~ Intervention, data = df.use)
Call:
coxph(formula = Surv(time = tstart, time2 = tstop, event = status) ~ 
    Intervention, data = df.use)

                     coef exp(coef) se(coef)      z             p
InterventionTRUE -0.29936   0.74129  0.04902 -6.106 0.00000000102

Likelihood ratio test=35.67  on 1 df, p=0.000000002337
n= 7362, number of events= 2364