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.
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:
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:
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
p2Wynik 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 0.86Jak opisać w pracy
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.
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
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()).
- 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/
- 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
- 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
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- 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 studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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}}