Słownik metodologiczny · Modele regresji

Model słabości (frailty) – jak uwzględnić skupienie i niejawną heterogeniczność w analizie przeżycia?

Model słabości dodaje do modelu Coxa efekt losowy mnożący hazard. Pokazujemy słabość wspólną i indywidualną, efekt selekcji, przykład w R z pacjentami w 40 ośrodkach i opis do pracy.

Strona główna / Słownik / Model słabości (frailty)
W skrócie: Model słabości (frailty) to model hazardu z efektem losowym, który mnoży hazard osoby lub klastra. Uwzględnia skupienie danych (np. pacjentów w ośrodkach) i niejawną heterogeniczność ryzyka; w przykładzie wariancja słabości gamma wyniosła 0.38, a HR leczenia 0.52.

Co to jest model słabości?

Model słabości (ang. frailty model) to model hazardu w analizie przeżycia z efektem losowym, który mnoży hazard: hij(t) = wi · h0(t) · exp(βxij). Słabość wi ma zwykle rozkład gamma o średniej 1 i wariancji θ; θ = 0 oznacza zwykły model Coxa. Balan i Putter (2020) opisują słabość jako sposób na uwzględnienie niejawnej heterogeniczności: osoby o tych samych wartościach zmiennych mogą mieć różne ryzyko.

Kiedy się go używa?

  • Słabość wspólna (shared frailty) – pacjenci z jednego ośrodka, rodzeństwo albo powtarzane zdarzenia tej samej osoby mają wspólne wi. To odpowiednik losowego wyrazu wolnego w modelu wielopoziomowym; Balan i Putter (2020) pokazują, że wspólna słabość modeluje dodatnią zależność czasów w klastrach.
  • Słabość indywidualna – wyjaśnia efekt selekcji opisany przez Balan i Putter (2020): najsłabsi doświadczają zdarzenia wcześniej, więc wśród żyjących zostają zdrowsi, a hazard w populacji może spadać, choć u każdej osoby jest stały.

W R człon frailty() w coxph() z pakietu survival dopasowuje model przez estymację z karą; Therneau, Grambsch i Pankratz (2003) wykazali, że dla wspólnej słabości gamma daje to rozwiązanie dokładne.

Przykład

Symulowane dane: 40 ośrodków po 10 pacjentów, 168 zdarzeń, prawdziwy warunkowy HR leczenia 0.6, wariancja słabości 0.5. Zwykły model Coxa dał HR = 0.59, 95% CI [0.43, 0.80], a model ze słabością gamma – HR = 0.52 [0.38, 0.72] i θ = 0.38 (test członu słabości p < .001). Model ze słabością lognormalną z pakietu coxme dał HR = 0.53 [0.39, 0.74] przy wariancji efektu losowego 0.40 na skali logarytmu hazardu. Iloraz hazardów ze słabością jest warunkowy (porównanie w obrębie ośrodka), a bez niej – brzegowy i zwykle bliższy 1.

Na rysunku

Rysunek 1 korzysta z danych z przykładu; rysunek 2 to krzywe wyliczone ze wzoru.

Dwa panele. A: gęstość rozkładu gamma słabości – prawdziwa o wariancji 0.5 (linia ciągła) i oszacowana o wariancji 0.38 (linia przerywana) – z kreskami przy osi dla 40 ośrodków, rozrzuconych od 0.10 do 3.35. B: wykres rozrzutu słabości oszacowanej względem prawdziwej w skali logarytmicznej z linią y = x; punkty leżą bardziej płasko niż linia, oszacowania mieszczą się między 0.26 a 2.01, a wielkość punktu oznacza liczbę zdarzeń w ośrodku.
Rysunek 1. Słabości 40 ośrodków: rozkład gamma prawdziwy i oszacowany (A) oraz słabość oszacowana z modelu względem prawdziwej (B). Obliczenia: R, pakiety survival, ggplot2 i patchwork (dane symulowane, set.seed(571)).

Co widać. Prawdziwe słabości ośrodków rozciągają się od 0.10 do 3.35. Model oszacował wariancję słabości na 0.38 (prawdziwa 0.5), a słabości poszczególnych ośrodków – od 0.26 do 2.01. Punkty w panelu B układają się bardziej płasko niż linia y = x: oszacowania kurczą się w stronę 1, najmocniej w ośrodkach z niewieloma zdarzeniami. To samo kurczenie w modelu wielopoziomowym pokazuje wpis Model mieszany w obrazkach.

Na co uważać. Panelu B nie narysujesz dla prawdziwych danych – słabości są nieznane. Przy 10 pacjentach na ośrodek nie układaj z oszacowań rankingu ośrodków.

Podpis do pracy:

Rysunek 1. Słabości 40 ośrodków w modelu Coxa ze wspólną słabością gamma. Uwaga. A: rozkład gamma o wariancji prawdziwej (0.5) i oszacowanej (0.38), kreski – słabości ośrodków. B: słabość oszacowana względem prawdziwej (skala log); linia przerywana: y = x, wielkość punktu: liczba zdarzeń. Dane symulowane.
Pozioma czarna linia przy ilorazie hazardów 0.6 oznacza warunkowy HR w ośrodku. Trzy krzywe brzegowego ilorazu hazardów zaczynają się w 0.6 i rosną w stronę 1: dla wariancji słabości 0.5 do 0.72 w chwili 15 (linia ciągła), dla 1 do 0.79 (kreskowana), dla 2 do 0.86 (kropkowana).
Rysunek 2. Brzegowy iloraz hazardów w czasie przy warunkowym HR = 0.6 i słabości gamma o wariancji θ = 0.5, 1 i 2. Obliczenia: R, pakiet ggplot2 (krzywe wyliczone ze wzoru).

Co widać. W ośrodku HR = 0.6 przez cały czas, a w populacji iloraz hazardów rośnie: przy θ = 0.5 wynosi 0.65 w chwili 5 i 0.72 w chwili 15, a przy θ = 2 – 0.75 i 0.86. To efekt selekcji: osoby o wysokiej słabości mają zdarzenie szybciej w grupie kontrolnej niż w leczonej, więc wśród pozostałych w ryzyku grupa kontrolna ma coraz niższą średnią słabość i wygląda coraz „zdrowiej”. Dlatego zwykły model Coxa (HR brzegowy) daje wynik bliższy 1.

Na co uważać. Rosnący HR nie oznacza, że leczenie słabnie. Kształt krzywych zależy od założonego rozkładu słabości.

Podpis do pracy:

Rysunek 2. Brzegowy iloraz hazardów w funkcji czasu przy stałym warunkowym ilorazie hazardów 0.6 i wspólnej słabości o rozkładzie gamma z wariancją 0.5, 1 i 2. Uwaga. Krzywe wyliczono ze wzoru dla hazardu bazowego 0.1 na jednostkę czasu; pozioma czarna linia to warunkowy iloraz hazardów.

Kod obu rysunków jest samowystarczalny. Rysunki na stronie powstały z tego samego kodu, w którym podmieniono tylko motyw (krój czcionki, siatka).

Kod R rysunku 1 i 2
# Rysunki 1–2. Model słabości: słabości ośrodków (prawdziwe i oszacowane)
# oraz brzegowy iloraz hazardów, który z czasem zbliża się do 1
suppressPackageStartupMessages(library(survival))
library(ggplot2)
library(patchwork)

kol <- c("#0072B2", "#D55E00", "#009E73")      # Okabe–Ito, czytelne przy deuteranopii
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.title = element_text(face = "bold", size = rel(0.95)))

set.seed(571)                                   # dane z przykładu w haśle
k <- 40; m <- 10                                # 40 ośrodków po 10 pacjentów
osrodek <- rep(1:k, each = m)
w_os <- rgamma(k, shape = 2, rate = 2)          # słabość ośrodka: średnia 1, wariancja 0.5
w <- w_os[osrodek]
leczenie <- rbinom(k * m, 1, 0.5)
czas_z <- rexp(k * m, rate = 0.1 * w * exp(log(0.6) * leczenie))  # prawdziwy HR = 0.6
cenzura <- runif(k * m, 0, 15)
czas <- pmin(czas_z, cenzura); zdarzenie <- as.integer(czas_z <= cenzura)
m1 <- coxph(Surv(czas, zdarzenie) ~ leczenie + frailty(osrodek, distribution = "gamma"))
theta <- tail(m1$history[[1]]$history[, "theta"], 1)   # oszacowana wariancja słabości

# Rysunek 1. A: rozkład słabości; B: słabość oszacowana vs prawdziwa dla każdego ośrodka
os <- data.frame(prawdziwa = w_os, oszacowana = exp(m1$frail),
                 zdarzenia = as.vector(tapply(zdarzenie, osrodek, sum)))
round(c(theta = theta, min_prawdziwa = min(os$prawdziwa), max_prawdziwa = max(os$prawdziwa),
        min_oszac = min(os$oszacowana), max_oszac = max(os$oszacowana),
        r = cor(log(os$prawdziwa), log(os$oszacowana))), 2)
siatka <- data.frame(w = seq(0.01, 3.5, by = 0.01))
gest <- rbind(data.frame(siatka, gestosc = dgamma(siatka$w, 2, 2), rozklad = "prawdziwy: wariancja 0.5"),
              data.frame(siatka, gestosc = dgamma(siatka$w, 1 / theta, 1 / theta),
                         rozklad = sprintf("oszacowany: wariancja %.2f", theta)))
pA <- ggplot(gest, aes(w, gestosc)) +
  geom_line(aes(colour = rozklad, linetype = rozklad), linewidth = 0.9) +
  geom_rug(data = os, aes(x = prawdziwa), inherit.aes = FALSE, colour = "grey30") +
  geom_vline(xintercept = 1, colour = "grey50", linetype = "22") +
  scale_colour_manual(NULL, values = kol[1:2]) + scale_linetype_manual(NULL, values = c("22", "solid")) +
  labs(x = "Słabość ośrodka (mnożnik hazardu)", y = "Gęstość",
       title = "A. Rozkład gamma słabości; kreski: 40 ośrodków") +
  guides(colour = guide_legend(nrow = 2), linetype = guide_legend(nrow = 2))
pB <- ggplot(os, aes(prawdziwa, oszacowana)) +
  geom_abline(slope = 1, intercept = 0, colour = "grey50", linetype = "22") +
  geom_hline(yintercept = 1, colour = "grey70") +
  geom_point(aes(size = zdarzenia), shape = 21, fill = kol[1], colour = "white", alpha = 0.85) +
  scale_x_log10("Słabość prawdziwa (skala log)", breaks = c(0.1, 0.2, 0.5, 1, 2, 4)) +
  scale_y_log10("Słabość oszacowana (skala log)", breaks = c(0.1, 0.2, 0.5, 1, 2, 4)) +
  scale_size_area("Zdarzenia w ośrodku", max_size = 5, breaks = c(2, 5, 8)) +
  coord_equal(xlim = range(os$prawdziwa), ylim = range(os$prawdziwa)) +
  labs(title = "B. Oszacowania kurczą się do 1")
p1 <- (pA | pB) & motyw
p1

# Rysunek 2. Warunkowy HR = 0.6 a brzegowy HR(t) przy słabości gamma o wariancji θ
# (hazard skumulowany bez leczenia H0(t) = 0.1 t, jak w symulacji)
hr_brzeg <- function(t, th, hr = 0.6) { H <- 0.1 * t; hr * (1 + th * H) / (1 + th * H * hr) }
krzywe <- expand.grid(t = seq(0, 15, by = 0.1), theta = c(0.5, 1, 2))
krzywe$HR <- hr_brzeg(krzywe$t, krzywe$theta)
krzywe$theta <- factor(paste("θ =", krzywe$theta))
tab <- sapply(c(0.5, 1, 2), function(th) hr_brzeg(c(5, 10, 15), th))
dimnames(tab) <- list(paste0("t", c(5, 10, 15)), paste0("theta_", c(0.5, 1, 2)))
round(tab, 2)
p2 <- ggplot(krzywe, aes(t, HR)) +
  geom_hline(yintercept = 1, colour = "grey40") +
  geom_hline(yintercept = 0.6, colour = "black", linewidth = 0.9) +
  geom_line(aes(colour = theta, linetype = theta), linewidth = 0.9) +
  annotate("text", x = 0, y = 0.6, label = "warunkowy HR = 0.6 (w ośrodku)", hjust = 0, vjust = 1.6, size = 3.6) +
  scale_colour_manual("Wariancja słabości", values = kol) +
  scale_linetype_manual("Wariancja słabości", values = c("solid", "42", "12")) +
  scale_x_continuous("Czas", breaks = seq(0, 15, 3)) +
  scale_y_continuous("Iloraz hazardów, leczenie / kontrola", limits = c(0.5, 1)) +
  labs(title = "Brzegowy HR(t) zbliża się do 1, choć w ośrodku HR = 0.6") + motyw
p2
Wynik w R
        theta min_prawdziwa max_prawdziwa     min_oszac     max_oszac 
         0.38          0.10          3.35          0.26          2.01 
            r 
         0.86 
    theta_0.5 theta_1 theta_2
t5       0.65    0.69    0.75
t10      0.69    0.75    0.82
t15      0.72    0.79    0.86

Jak opisać w pracy

Aby uwzględnić skupienie pacjentów w 40 ośrodkach, do modelu Coxa dodano wspólną słabość ośrodka o rozkładzie gamma. Wariancja słabości wyniosła 0.38 (p < .001). Leczenie wiązało się z niższym hazardem zdarzenia, HR = 0.52, 95% CI [0.38, 0.72].

Na co uważać

  • Mało klastrów to niepewne θ – przy kilku ośrodkach lepiej użyć efektów stałych lub odpornych błędów.
  • Rozkład słabości (gamma czy lognormalny) wpływa na wyniki; podaj, który przyjęto.
  • Dokumentacja survival podaje, że frailty() został zastąpiony przez pakiet coxme.

Podstawy modelu Coxa w R pokazuje wpis Kaplan–Meier i model Coxa krok po kroku.

Przykład reprodukowalny

Model słabości w R

Kod symuluje czasy do zdarzenia w 40 ośrodkach ze wspólną słabością gamma i porównuje zwykły model Coxa z modelem ze słabością ośrodka. Na końcu ten sam model dopasowuje funkcja coxme::coxme() z losowym wyrazem wolnym ośrodka (słabość lognormalna).

Model Coxa ze wspólną słabością gamma

Dane wejściowe: 400 pacjentów w 40 ośrodkach, leczenie 0/1, czas i status zdarzenia (dane symulowane, set.seed(571)).

Co odczytać: HR leczenia z 95% CI w obu modelach (0.586 i 0.524), liczbę zdarzeń (168), wariancję słabości (0.379) i p członu słabości, a z coxme() HR = 0.534 [0.386, 0.737] i wariancję efektu losowego (0.398).

R
# Model słabości (frailty): wspólna słabość gamma dla ośrodków
suppressPackageStartupMessages(library(survival))
set.seed(571)
k <- 40; m <- 10                              # 40 ośrodków po 10 pacjentów
osrodek <- rep(1:k, each = m)
w <- rgamma(k, shape = 2, rate = 2)[osrodek]  # słabość ośrodka: średnia 1, wariancja 0.5
leczenie <- rbinom(k * m, 1, 0.5)
czas_z <- rexp(k * m, rate = 0.1 * w * exp(log(0.6) * leczenie))  # prawdziwy HR = 0.6
cenzura <- runif(k * m, 0, 15)
czas <- pmin(czas_z, cenzura); zdarzenie <- as.integer(czas_z <= cenzura)
m0 <- coxph(Surv(czas, zdarzenie) ~ leczenie)
m1 <- coxph(Surv(czas, zdarzenie) ~ leczenie + frailty(osrodek, distribution = "gamma"))
ci0 <- summary(m0)$conf.int["leczenie", c(1, 3, 4)]
ci1 <- summary(m1)$conf.int["leczenie", c(1, 3, 4)]
theta <- tail(m1$history[[1]]$history[, "theta"], 1)   # wariancja słabości (jak w print(m1))
round(rbind(cox_bez_slabosci = ci0, cox_ze_slaboscia = ci1), 3)
round(c(zdarzenia = sum(zdarzenie), wariancja_slabosci = theta,
        p_slabosci = summary(m1)$coefficients[2, "p"]), 4)  # test członu frailty
# Alternatywa zalecana w dokumentacji survival: coxme (słabość lognormalna, efekt losowy na skali log hazardu)
m2 <- coxme::coxme(Surv(czas, zdarzenie) ~ leczenie + (1 | osrodek))
b <- unname(coxme::fixef(m2)); se <- sqrt(vcov(m2)[1, 1])
round(c(HR = exp(b), dolna = exp(b - qnorm(0.975) * se), gorna = exp(b + qnorm(0.975) * se),
        wariancja_log = unname(coxme::VarCorr(m2)$osrodek[1])), 3)
Wynik w R
                 exp(coef) lower .95 upper .95
cox_bez_slabosci     0.586     0.430     0.799
cox_ze_slaboscia     0.524     0.379     0.724
         zdarzenia wariancja_slabosci         p_slabosci 
          168.0000             0.3787             0.0004 
           HR         dolna         gorna wariancja_log 
        0.534         0.386         0.737         0.398 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiety survival i coxme 2.2.22; rysunki 1 i 2 – także pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. survival (wersja 3.8.6): Therneau, T. M. (2026). A package for survival analysis in R (R package version 3.8-6) [Computer software]. https://CRAN.R-project.org/package=survival
  3. coxme (wersja 2.2.22): Therneau, T. M. (2024). coxme: Mixed effects Cox models (R package version 2.2-22) [Computer software]. https://doi.org/10.32614/CRAN.package.coxme
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Czym model słabości różni się od modelu Coxa z odpornymi błędami?

Odporne błędy poprawiają tylko niepewność i dają HR brzegowy. Model słabości wprost modeluje zmienność ryzyka między klastrami, szacuje jej wariancję i daje HR warunkowy, w obrębie klastra.

Jak interpretować wariancję słabości?

Im większe θ, tym bardziej klastry różnią się ryzykiem bazowym i tym silniej zależą od siebie czasy w klastrze. θ = 0 oznacza zwykły model Coxa bez skupienia.

Czy model słabości nadaje się do zdarzeń powtarzalnych?

Tak, gdy słabość jest wspólna dla zdarzeń tej samej osoby. Opisuje wtedy, że niektóre osoby mają systematycznie wyższe ryzyko kolejnych zdarzeń niż inne.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Balan, T. A., & Putter, H. (2020). A tutorial on frailty models. Statistical Methods in Medical Research, 29(11), 3424–3454. https://doi.org/10.1177/0962280220921889 ● Otwarty dostęp
  2. Therneau, T. M., Grambsch, P. M., & Pankratz, V. S. (2003). Penalized survival models and frailty. Journal of Computational and Graphical Statistics, 12(1), 156–175. https://doi.org/10.1198/1061860031365

Cytowania BibTeX

@article{balan2020tutorial, author={Balan, Theodor Adrian and Putter, Hein}, title={{A tutorial on frailty models}}, journal={Statistical Methods in Medical Research}, year={2020}, volume={29}, number={11}, pages={3424--3454}, doi={10.1177/0962280220921889}}
@article{therneau2003penalized, author={Therneau, Terry M. and Grambsch, Patricia M. and Pankratz, V. Shane}, title={{Penalized survival models and frailty}}, journal={Journal of Computational and Graphical Statistics}, year={2003}, volume={12}, number={1}, pages={156--175}, doi={10.1198/1061860031365}}
R