Słownik metodologiczny · Modele regresji

Reszty Schoenfelda – jak sprawdzić proporcjonalność hazardów w modelu Coxa?

Reszty Schoenfelda to podstawowe narzędzie diagnostyki modelu Coxa. Pokazujemy, jak je liczyć, jak czytać test cox.zph() i wykres β(t) oraz co zrobić, gdy założenie proporcjonalnych hazardów nie jest spełnione.

Strona główna / Słownik / Reszty Schoenfelda
W skrócie: Reszty Schoenfelda to reszty modelu Coxa liczone dla każdego zdarzenia i predyktora: wartość zmiennej u osoby ze zdarzeniem minus jej ważona średnia w zbiorze ryzyka. Trend reszt w czasie sygnalizuje brak proporcjonalności hazardów; w R sprawdza to cox.zph(). W danych veteran dla wskaźnika Karnofsky’ego p < .001.

Co to są reszty Schoenfelda?

Reszty Schoenfelda (ang. Schoenfeld residuals) to reszty modelu Coxa liczone osobno dla każdego zdarzenia i każdego predyktora. Dla osoby, u której w chwili t wystąpiło zdarzenie, reszta to różnica między jej wartością predyktora a średnią tej zmiennej wśród osób jeszcze narażonych na zdarzenie, ważoną hazardem względnym exp(βx) z modelu. Obserwacje cenzurowane nie mają takich reszt. Schoenfeld (1982) zaproponował, by nanosić je na wykres względem czasu i w ten sposób sprawdzać założenie proporcjonalnych hazardów; histogramy reszt pomagają też ocenić dopasowanie i wykryć odstające wartości predyktorów.

Test proporcjonalności hazardów

Gdy hazardy są proporcjonalne, iloraz hazardów jest stały w czasie, a reszty układają się wokół zera bez trendu. Grambsch i Therneau (1994) pokazali, że skalowane reszty Schoenfelda dodane do oszacowanego β przybliżają współczynnik zmienny w czasie β(t): wygładzona krzywa na ich wykresie pokazuje, jak zmienia się efekt, a wiele testów proporcjonalności to testy nachylenia prostej dopasowanej do tego wykresu. W R obie rzeczy daje funkcja cox.zph() z pakietu survival.

Przykład

W danych veteran (137 chorych na raka płuca, 128 zgonów) model z leczeniem i wskaźnikiem sprawności Karnofsky’ego daje HR = 0.967 na punkt skali, 95% CI [0.957, 0.976]. Test reszt Schoenfelda nie wskazuje problemu dla leczenia (χ²(1) = 0.31, p = .579), ale dla wskaźnika Karnofsky’ego tak: χ²(1) = 11.96, p < .001. Model z efektem zależnym od czasu pokazuje, że ochronny efekt słabnie: HR dla 10 punktów wynosi 0.59 w 10. dniu i 0.88 w 200. dniu obserwacji.

Na rysunku

Rysunek pokazuje model z przykładu (dane veteran, bez losowania). Każdy punkt to jedno ze 128 zdarzeń: skalowana reszta Schoenfelda dodana do β z modelu, czyli punktowe oszacowanie β(t) według Grambscha i Therneau (1994).

Dwa panele z osią czasu w dniach w skali logarytmicznej od 1 do 1000. Panel A, leczenie: szare punkty tworzą dwa poziome pasy, około plus 2 i minus 2; niebieska wygładzona krzywa z jasnoniebieskim pasmem 95% CI faluje wokół przerywanej poziomej linii stałego β równej 0.177 i nie ma trendu. Panel B, wskaźnik Karnofsky’ego: chmura punktów od około minus 0.19 do 0.07; niebieska wygładzona krzywa rośnie od około minus 0.06 w pierwszych dniach do około minus 0.02 koło 100. dnia, a potem opada przy szerokim paśmie; pomarańczowa przerywana prosta modelu z efektem zależnym od czasu rośnie od około minus 0.08 do 0; pozioma przerywana linia stałego β leży przy minus 0.034
Rysunek 1. Skalowane reszty Schoenfelda (punkty β(t)) w funkcji czasu dla leczenia (A) i wskaźnika Karnofsky’ego (B) z wygładzeniem loess i 95% CI. Linia pozioma: stałe β z modelu Coxa; linia pomarańczowa: β(t) = β + γ·log(t). Obliczenia: R, pakiety survival, ggplot2 i patchwork (dane veteran).

Co widać. W panelu A wygładzenie faluje wokół poziomej linii, a pasmo 95% CI przez cały czas ją obejmuje. Efekt leczenia nie zmienia się w czasie, co zgadza się z testem: χ²(1) = 0.31, p = .579. Punkty układają się w dwa pasy, bo leczenie ma tylko dwie wartości – przy predyktorze binarnym czyta się linię, nie chmurę. W panelu B wygładzenie rośnie od −0.058 w 3. dniu do −0.017 w 100. dniu, a stałe β wynosi −0.034. Efekt ochronny wysokiego wskaźnika Karnofsky’ego słabnie więc z czasem, jak w teście (χ²(1) = 11.96, p < .001) i w modelu z efektem zależnym od czasu (linia pomarańczowa).

Na co uważać. Na końcu osi zostaje kilka zdarzeń. Ponowne opadanie krzywej w panelu B (−0.024 w 500. dniu) i szerokie pasmo w panelu A przy pierwszych dniach to głównie szum. Kształt wygładzenia zależy też od skali czasu (tu log) i od parametru wygładzania, a cox.zph() liczy test domyślnie na czasie przekształconym przez krzywą Kaplana–Meiera. Wykres pokazuje, czy i jak zmienia się β, ale nie mówi, czy zmiana jest ważna praktycznie. Jak jeden HR ukrywa przecinające się hazardy, pokazuje rysunek w haśle iloraz hazardów.

Podpis do pracy:

Rysunek 1. Skalowane reszty Schoenfelda w funkcji czasu dla leczenia (A) i wskaźnika sprawności Karnofsky’ego (B) w modelu proporcjonalnych hazardów Coxa (N = 137, 128 zgonów). Uwaga. Linia ciągła to wygładzenie loess z 95% przedziałem ufności, linia przerywana pozioma – współczynnik z modelu. Oś czasu jest logarytmiczna.

Kod rysunku jest samowystarczalny. Rysunek na stronie powstał z tego samego kodu, w którym podmieniono tylko motyw (krój czcionki, siatka).

Kod R rysunku 1
# Rysunek 1. Skalowane reszty Schoenfelda w czasie: leczenie (A) i wskaźnik Karnofsky’ego (B)
library(survival)
library(ggplot2)
library(patchwork)

kol <- c(wygladzenie = "#0072B2", tt = "#D55E00")   # 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)))

fit <- coxph(Surv(time, status) ~ trt + karno, data = veteran)   # model z przykładu w haśle (bez losowania)
zph <- cox.zph(fit)                      # zph$y = skalowane reszty Schoenfelda + β, czyli punkty β(t)
round(coef(fit), 3)                      # stałe β (linie poziome)
print(zph, digits = 3)
reszty <- data.frame(czas = rep(zph$time, 2), beta_t = c(zph$y[, "trt"], zph$y[, "karno"]),
                     zm = rep(c("trt", "karno"), each = length(zph$time)))
table(reszty$zm)                         # po jednym punkcie na zdarzenie
round(sapply(split(reszty$beta_t, reszty$zm), range), 3)   # zakres punktów (najmniejszy, największy)

# Wygładzenie loess dla karno (jak na wykresie: x w skali log10) w dniach 3, 100 i 500
lo <- loess(beta_t ~ log10(czas), data = subset(reszty, zm == "karno"))
round(predict(lo, data.frame(czas = c(3, 100, 500))), 3)

# Model z efektem karno zmiennym w czasie: β(t) = b + g · log(t) (jak w przykładzie)
fit2 <- coxph(Surv(time, status) ~ trt + karno + tt(karno), data = veteran,
              tt = function(x, t, ...) x * log(t))
tt_lin <- data.frame(czas = exp(seq(log(1), log(1000), length.out = 100)))
tt_lin$beta_t <- coef(fit2)["karno"] + coef(fit2)["tt(karno)"] * log(tt_lin$czas)

panel <- function(z, tytul, y_lab, legenda) {
  d <- subset(reszty, zm == z)
  ggplot(d, aes(czas, beta_t)) +
    geom_point(colour = "grey45", alpha = 0.6, size = 1.4) +
    geom_hline(yintercept = coef(fit)[z], linetype = "22", colour = "grey20") +   # stałe β z modelu
    geom_smooth(aes(colour = "wygładzenie (loess) z 95% CI"), fill = "#56B4E9",
                method = "loess", formula = y ~ x, linewidth = 1, show.legend = legenda) +
    scale_x_log10("Dzień obserwacji (skala log)", breaks = c(1, 10, 100, 1000)) +
    scale_y_continuous(y_lab) + labs(title = tytul)
}
pA <- panel("trt", "A. Leczenie: β(t) bez trendu", "β(t) dla leczenia", legenda = FALSE) +
  coord_cartesian(ylim = c(-4, 4))
pB <- panel("karno", "B. Wskaźnik Karnofsky’ego: β(t) rośnie", "β(t) dla karno (na 1 punkt)", legenda = TRUE) +
  geom_line(data = tt_lin, aes(colour = "model z tt(karno)"), linetype = "42", linewidth = 1) +
  coord_cartesian(ylim = c(-0.2, 0.1))
p1 <- (pA | pB) + plot_layout(guides = "collect") &
  scale_colour_manual(NULL, values = c("wygładzenie (loess) z 95% CI" = kol[["wygladzenie"]], "model z tt(karno)" = kol[["tt"]]),
                      limits = c("wygładzenie (loess) z 95% CI", "model z tt(karno)"),
                      guide = guide_legend(override.aes = list(fill = c("#56B4E9", NA)))) & motyw
p1
Wynik w R
   trt  karno 
 0.177 -0.034 
        chisq df       p
trt     0.307  1 0.57942
karno  11.959  1 0.00054
GLOBAL 13.577  2 0.00113

karno   trt 
  128   128 
      karno    trt
[1,] -0.188 -3.171
[2,]  0.073  2.925
     1      2      3 
-0.058 -0.017 -0.024 

Na co uważać

  • Wartość p to nie wszystko. W małej próbie test łatwo przeoczy zmianę efektu, w dużej wykryje odchylenia bez znaczenia praktycznego – oglądaj wykres.
  • Skala czasu ma znaczenie. Wynik zależy od przekształcenia czasu (argument transform, domyślnie oparty na krzywej Kaplana–Meiera).
  • Inne reszty, inne cele. Reszty martyngałowe i dewiancji służą raczej do oceny postaci funkcyjnej i obserwacji odstających; ogólną logikę opisuje hasło reszty regresji.
  • Naruszenie nie przekreśla analizy. Pomaga stratyfikacja, efekt zależny od czasu (to nie to samo co zmienna zależna od czasu) albo RMST.

Pełną diagnostykę z wykresem β(t) pokazuje wpis Kaplan–Meier i model Coxa krok po kroku.

Przykład reprodukowalny

Reszty Schoenfelda w R

Kod dopasowuje model Coxa do danych veteran, testuje proporcjonalność hazardów funkcją cox.zph(), wyznacza surowe reszty Schoenfelda i szacuje efekt wskaźnika Karnofsky’ego zmienny w czasie. Liczby w tekście pochodzą z tego kodu.

Test cox.zph() i efekt zależny od czasu

Dane wejściowe: zbiór veteran z pakietu survival (137 chorych, czas przeżycia w dniach, leczenie trt, wskaźnik Karnofsky’ego karno); bez losowania.

Co odczytać: test dla karno χ²(1) = 11.96, p < .001; 128 wierszy reszt (po jednym na zdarzenie); HR dla 10 punktów 0.59 w 10. dniu i 0.88 w 200. dniu.

R
library(survival)
fit <- coxph(Surv(time, status) ~ trt + karno, data = veteran)   # dane veteran z pakietu survival
round(summary(fit)$conf.int[, c(1, 3, 4)], 3)
zph <- cox.zph(fit)                     # test oparty na skalowanych resztach Schoenfelda (domyślnie transform = "km")
print(zph, digits = 3)
r <- residuals(fit, type = "schoenfeld")  # surowe reszty: jeden wiersz na każde zdarzenie
dim(r)
fit2 <- coxph(Surv(time, status) ~ trt + karno + tt(karno), data = veteran,
              tt = function(x, t, ...) x * log(t))   # efekt karno zmienny w czasie
round(coef(summary(fit2))[, c(1, 3, 5)], 4)
b <- coef(fit2)                          # HR dla wzrostu karno o 10 punktów w dniu 10 i 200
round(exp(10 * (b["karno"] + b["tt(karno)"] * log(c(dzien_10 = 10, dzien_200 = 200)))), 2)
Wynik w R
      exp(coef) lower .95 upper .95
trt       1.194     0.834     1.710
karno     0.967     0.957     0.976
        chisq df       p
trt     0.307  1 0.57942
karno  11.959  1 0.00054
GLOBAL 13.577  2 0.00113
[1] 128   2
             coef se(coef) Pr(>|z|)
trt        0.0289   0.1894   0.8786
karno     -0.0831   0.0172   0.0000
tt(karno)  0.0132   0.0043   0.0023
 dzien_10 dzien_200 
     0.59      0.88 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet survival; rysunek 1 – 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. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. 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

Jak czytać wynik cox.zph() w R?

Każdy wiersz to test dla jednego predyktora, a GLOBAL – dla całego modelu. Małe p oznacza, że skalowane reszty Schoenfelda zmieniają się z czasem, czyli HR nie jest stały. W danych veteran dla wskaźnika Karnofsky’ego χ²(1) = 11.96, p < .001, dla leczenia p = .579.

Czy nieistotny wynik cox.zph() dowodzi proporcjonalności hazardów?

Nie. W małej próbie test ma niską moc i może przeoczyć wyraźną zmianę efektu, a w dużej wykrywa odchylenia bez znaczenia praktycznego. Dlatego obok wartości p zawsze oglądaj wykres plot(cox.zph(model)) z wygładzoną krzywą β(t).

Co zrobić, gdy reszty Schoenfelda wskazują brak proporcjonalności?

Można dodać efekt zależny od czasu przez tt() w coxph(), stratyfikować model według zmiennej naruszającej założenie (strata()), oszacować osobne HR w przedziałach czasu albo raportować miarę niezależną od tego założenia, np. RMST. Wybór i jego uzasadnienie opisz w pracy.

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. Grambsch, P. M., & Therneau, T. M. (1994). Proportional hazards tests and diagnostics based on weighted residuals. Biometrika, 81(3), 515–526. https://doi.org/10.1093/biomet/81.3.515
  2. Schoenfeld, D. (1982). Partial residuals for the proportional hazards regression model. Biometrika, 69(1), 239–241. https://doi.org/10.1093/biomet/69.1.239

Cytowania BibTeX

@article{grambsch1994proportional, author={Grambsch, Patricia M. and Therneau, Terry M.}, title={{Proportional hazards tests and diagnostics based on weighted residuals}}, journal={Biometrika}, year={1994}, volume={81}, number={3}, pages={515--526}, doi={10.1093/biomet/81.3.515}}
@article{schoenfeld1982partial, author={Schoenfeld, David}, title={{Partial residuals for the proportional hazards regression model}}, journal={Biometrika}, year={1982}, volume={69}, number={1}, pages={239--241}, doi={10.1093/biomet/69.1.239}}
R