Co to jest wykres log(−log) przeżycia?
Wykres log(−log) przeżycia (ang. log-minus-log plot) to graficzny sposób sprawdzenia założenia proporcjonalnych hazardów w modelu Coxa. Bierzesz krzywe Kaplana–Meiera dla każdej grupy, przekształcasz odsetek bez zdarzenia S(t) na log(−log S(t)) i rysujesz go względem logarytmu czasu; −log S(t) to skumulowany hazard. To ta sama funkcja, którą wykorzystuje model komplementarny log-log.
Jak czytać wykres
- Równoległe krzywe – przy proporcjonalnych hazardach odstęp w pionie jest stały i równy logarytmowi ilorazu hazardów (log HR).
- Krzywe zbieżne lub rozbieżne – efekt grupy słabnie albo rośnie z czasem; jeden HR źle go streszcza.
- Krzywe skrzyżowane – efekt zmienia kierunek, np. gorszy start i lepsze dalsze losy.
- Linie proste – przy osi czasu w skali log wskazują rozkład Weibulla; nachylenie to parametr kształtu. Proste linie nie są warunkiem proporcjonalności.
Przykład
Symulowano czas do nawrotu objawów (tygodnie) u 150 osób po terapii i 150 w grupie kontrolnej, obserwowanych do 52. tygodnia. Czasy losowano z rozkładu Weibulla, jak opisują Bender i in. (2005). W scenariuszu A terapia zmniejsza hazard o połowę przez cały czas (HR = 0.5). W scenariuszu B chroni głównie na początku. Parametry (kształt rozkładu, odsetki bez nawrotu po roku, tempo wypadania) ustawiono ręcznie tak, by różnica scenariuszy była wyraźna; ziarno 782 ustalono raz i nie zmieniano.
W scenariuszu A model Coxa dał HR = 0.38, 95% CI [0.27, 0.53] (152 zdarzenia), a test proporcjonalności cox.zph() χ²(1) = 2.22, p = .137. W scenariuszu B HR = 0.59, 95% CI [0.43, 0.80] (166 zdarzeń), χ²(1) = 12.86, p < .001. Odstęp między krzywymi log(−log) w B maleje od −2.76 w 4. tygodniu przez −1.09 w 13. do −0.37 w 52.
Na rysunku
set.seed(782)).Co widać. W panelu A krzywe biegną w przybliżeniu równolegle; w B zbiegają się, bo terapia chroni głównie w pierwszych tygodniach. Jeden HR = 0.59 uśrednia tu efekt silny na początku i bliski zera pod koniec.
Na co uważać. Nawet w panelu A, gdzie dane wygenerowano przy stałym HR, odstęp waha się od −1.66 w 13. do −0.92 w 52. tygodniu, a początek krzywych opiera się na kilku zdarzeniach. Ocena na oko jest subiektywna – Hess (1995), porównując osiem metod graficznych, zaleca raczej wygładzony wykres skalowanych reszt Schoenfelda.
Podpis do pracy:
set.seed(782)).Co widać. Na krzywych przeżycia oba scenariusze wyglądają podobnie: terapia stale prowadzi. Brak skrzyżowania nie dowodzi proporcjonalności hazardów.
Na co uważać. Krzywe przeżycia nie pokazują ilorazu hazardów w czasie. W pracy pokaż je czytelnikowi, a log(−log) potraktuj jako diagnostykę modelu.
Podpis do pracy:
Jak opisać w pracy
Napisz, jak sprawdzono założenie, co wyszło i co z tym zrobiono. Grambsch i Therneau (1994) pokazują, że zmienny w czasie efekt można opisać współczynnikiem β(t), a test proporcjonalności odpowiada nachyleniu prostej na wykresie reszt.
Na co uważać
- Tylko zmienne kategorialne. Zmienną ciągłą trzeba by podzielić na grupy, co samo zmienia wynik; dla niej użyj reszt Schoenfelda.
- Brak korekty. Wykres nie uwzględnia innych predyktorów; założenie sprawdzaj w pełnym modelu, a naruszenia modeluj, np. przez efekt zależny od czasu.
- Krzywe z modelu z grupą jako predyktorem. Rysuj log(−log) z krzywych Kaplana–Meiera albo z modelu, w którym grupa jest warstwą (
strata()). Gdy grupa jest predyktorem modelu Coxa, przewidywane krzywe są równoległe z definicji i niczego nie sprawdzają – tak działa m.in. opcja Log minus log w regresji Coxa w SPSS, opisana we wpisie Kaplan–Meier i regresja Coxa w SPSS.
Wykres log(−log) w R
Kod symuluje oba scenariusze, liczy krzywe Kaplana–Meiera funkcją survfit(), przekształca je na log(−log S) i rysuje rysunki 1 i 2 (obiekty p1 i p2). Potem dopasowuje model Coxa, wykonuje test cox.zph() i wypisuje odstęp krzywych w wybranych tygodniach. Rysunki na stronie powstały z tych samych obiektów z motywem serwisu – dane, geometrie i skale są identyczne. Bazowa wersja wykresu to plot(survfit(...), fun = "cloglog").
Krzywe log(−log), model Coxa i test proporcjonalności
Kod R rysunków 1 i 2
# Wykres log(−log) przeżycia: proporcjonalne hazardy vs efekt słabnący w czasie
suppressPackageStartupMessages({library(survival); library(ggplot2)})
kol <- c("terapia" = "#0072B2", "kontrola" = "#D55E00") # Okabe–Ito; grupy różnią się też rodzajem linii
lin <- c("terapia" = "solid", "kontrola" = "longdash")
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), legend.position = "bottom")
# Czas do nawrotu (tygodnie) z rozkładu Weibulla: S(t) = exp(−lambda * t^k), obserwacja do 52. tygodnia
weibull <- function(n, lambda, k) (-log(runif(n)) / lambda)^(1 / k)
symuluj <- function(n, lambda_t, k_t, lambda_k, k_k) {
d <- data.frame(grupa = rep(c("terapia", "kontrola"), each = n),
czas = c(weibull(n, lambda_t, k_t), weibull(n, lambda_k, k_k)))
rezygnacja <- rexp(2 * n, rate = 0.003) # losowe wypadanie z badania
d$zdarzenie <- as.integer(d$czas <= pmin(rezygnacja, 52))
d$czas <- pmin(d$czas, rezygnacja, 52)
d$grupa <- factor(d$grupa, levels = c("kontrola", "terapia"))
d
}
lambda_k <- -log(0.35) / 52 # kontrola: k = 1, 35% bez nawrotu po 52 tyg.
set.seed(782)
A <- symuluj(150, lambda_t = lambda_k / 2, k_t = 1, lambda_k = lambda_k, k_k = 1) # HR = 0.5 przez cały czas
B <- symuluj(150, lambda_t = log(2) / 52^1.6, k_t = 1.6, lambda_k = lambda_k, k_k = 1) # efekt słabnie z czasem
# Krzywe Kaplana–Meiera i ich przekształcenie log(−log S(t))
km_dane <- function(d, scenariusz) {
km <- survfit(Surv(czas, zdarzenie) ~ grupa, data = d)
data.frame(scenariusz = scenariusz, czas = km$time, S = km$surv,
grupa = sub("grupa=", "", rep(names(km$strata), km$strata)))
}
km <- rbind(km_dane(A, "A. Hazardy proporcjonalne"), km_dane(B, "B. Efekt słabnie z czasem"))
km$grupa <- factor(km$grupa, levels = c("terapia", "kontrola"))
ll <- subset(km, S > 0 & S < 1)
ll$loglog <- log(-log(ll$S))
p1 <- ggplot(ll, aes(czas, loglog, colour = grupa, linetype = grupa)) +
geom_step(linewidth = 0.9) + facet_wrap(~ scenariusz) +
scale_x_log10(breaks = c(1, 2, 4, 8, 16, 32, 52)) +
scale_colour_manual(values = kol, name = NULL) + scale_linetype_manual(values = lin, name = NULL) +
labs(x = "Tydzień (skala logarytmiczna)", y = "log(−log S(t))") + motyw
p2 <- ggplot(km, aes(czas, S, colour = grupa, linetype = grupa)) +
geom_step(linewidth = 0.9) + facet_wrap(~ scenariusz) +
scale_x_continuous(breaks = seq(0, 52, 13)) + scale_y_continuous(limits = c(0, 1), labels = scales::percent) +
scale_colour_manual(values = kol, name = NULL) + scale_linetype_manual(values = lin, name = NULL) +
labs(x = "Tydzień", y = "Odsetek bez nawrotu") + motyw
# Model Coxa i test proporcjonalności (reszty Schoenfelda) w obu scenariuszach
wyniki <- do.call(rbind, lapply(list(A = A, B = B), function(d) {
m <- coxph(Surv(czas, zdarzenie) ~ grupa, data = d)
z <- cox.zph(m)
data.frame(zdarzenia = m$nevent, HR = exp(coef(m)), dolna95 = exp(confint(m))[1], gorna95 = exp(confint(m))[2],
chi2_zph = z$table["grupa", "chisq"], p_zph = z$table["grupa", "p"])
}))
print(cbind(round(wyniki[, 1:5], 3), p_zph = signif(wyniki$p_zph, 3)))
# Odstęp między krzywymi (terapia − kontrola) = log ilorazu skumulowanych hazardów; przy PH stały i równy log HR
odstep <- function(d, t) {
s <- summary(survfit(Surv(czas, zdarzenie) ~ grupa, data = d), times = t, extend = TRUE)
S <- matrix(s$surv, ncol = 2)
log(-log(S[, 2])) - log(-log(S[, 1]))
}
tygodnie <- c(4, 13, 26, 52)
print(round(rbind(A = odstep(A, tygodnie), B = odstep(B, tygodnie)), 2) |> `colnames<-`(paste0("tydz_", tygodnie)))
p1Wynik w R
zdarzenia HR dolna95 gorna95 chi2_zph p_zph
A 152 0.38 0.272 0.531 2.215 0.137000
B 166 0.59 0.434 0.802 12.856 0.000336
tydz_4 tydz_13 tydz_26 tydz_52
A -1.82 -1.66 -1.14 -0.92
B -2.76 -1.09 -0.82 -0.37Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (krzywe Kaplana–Meiera, model Coxa i test proporcjonalności – pakiet survival; rysunki – pakiety ggplot2 i scales). 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]. https://CRAN.R-project.org/package=survival
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- scales (wersja 1.4.0): Wickham, H., Pedersen, T. L., & Seidel, D. (2025). scales: Scale functions for visualization [R package]. https://doi.org/10.32614/CRAN.package.scales
Najczęstsze pytania
Co pokazuje wykres log(−log) przeżycia?
Krzywe Kaplana–Meiera grup po przekształceniu log(−log S(t)), zwykle względem logarytmu czasu. Wartość log(−log S) to logarytm skumulowanego hazardu, więc pionowy odstęp między krzywymi to logarytm ilorazu skumulowanych hazardów grup.
Co oznaczają równoległe linie na wykresie log-minus-log?
Stały odstęp między krzywymi jest zgodny z założeniem proporcjonalnych hazardów: iloraz hazardów nie zmienia się w czasie, a odstęp równa się log HR. Linie zbieżne, rozbieżne albo krzyżujące się wskazują, że efekt grupy słabnie, rośnie albo zmienia kierunek.
Czy wykres log(−log) wystarczy do oceny założenia modelu Coxa?
Nie. Ocena równoległości na oko jest subiektywna, a początek krzywych opiera się na kilku zdarzeniach i mocno skacze. Wykres działa tylko dla zmiennych kategorialnych; zestaw go z testem cox.zph() i wykresem reszt Schoenfelda, które pokazują zmianę efektu w czasie.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Kaplan–Meier i regresja Coxa w SPSS
Od kodowania statusu po opis APA: krzywe i mediany, log-rank, Breslow i Tarone–Ware, ilorazy hazardów z Cox Regression i sprawdzenie proporcjonalności hazardów – z plikiem .sav.
Czytaj →PoradnikKaplan–Meier i model Coxa krok po kroku
Krzywe Kaplana–Meiera, log-rank, RMST, model Coxa, proporcjonalność hazardów i ryzyka konkurujące w R – z tabelą APA i opisem do artykułu.
Czytaj →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)
- Bender, R., Augustin, T., & Blettner, M. (2005). Generating survival times to simulate Cox proportional hazards models. Statistics in Medicine, 24(11), 1713–1723. https://doi.org/10.1002/sim.2059 ● Otwarty dostęp: pełny tekst
- 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
- Hess, K. R. (1995). Graphical methods for assessing violations of the proportional hazards assumption in Cox regression. Statistics in Medicine, 14(15), 1707–1723. https://doi.org/10.1002/sim.4780141510
Cytowania BibTeX
@article{bender2005generating, author={Bender, Ralf and Augustin, Thomas and Blettner, Maria}, title={{Generating survival times to simulate Cox proportional hazards models}}, journal={Statistics in Medicine}, year={2005}, volume={24}, number={11}, pages={1713--1723}, doi={10.1002/sim.2059}}@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{hess1995graphical, author={Hess, Kenneth R.}, title={{Graphical methods for assessing violations of the proportional hazards assumption in Cox regression}}, journal={Statistics in Medicine}, year={1995}, volume={14}, number={15}, pages={1707--1723}, doi={10.1002/sim.4780141510}}