Słownik metodologiczny · Modele regresji

Wykres log(−log) przeżycia – jak sprawdzić proporcjonalność hazardów na rysunku

Wykres log(−log) przekształca krzywe Kaplana–Meiera tak, że przy proporcjonalnych hazardach biegną równolegle. Pokazujemy, jak go czytać, czego nie widać na zwykłych krzywych przeżycia i jak go narysować w R.

Strona główna / Słownik / Wykres log(−log) przeżycia
W skrócie: Wykres log(−log) przeżycia pokazuje log(−log S(t)) z krzywych Kaplana–Meiera względem logarytmu czasu, osobno dla każdej grupy. Gdy hazardy są proporcjonalne, krzywe biegną równolegle w odległości log HR; zbieganie się albo krzyżowanie sygnalizuje, że efekt zmienia się w czasie. Ocena „na oko” jest subiektywna, więc łącz ją z testem reszt Schoenfelda.

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

Dwa panele wykresu log(−log S(t)) względem tygodnia w skali logarytmicznej od 1 do 52. A, hazardy proporcjonalne: schodkowa niebieska ciągła linia terapii biegnie przez cały czas poniżej pomarańczowej przerywanej linii kontroli, w zbliżonej odległości około jednej jednostki od 13. tygodnia. B, efekt słabnie: linia terapii zaczyna się daleko poniżej linii kontroli i stromo się do niej zbliża, w 52. tygodniu odstęp wynosi tylko 0.37
Rysunek 1. Wykres log(−log) przeżycia dla danych z hazardami proporcjonalnymi (A) i z efektem terapii słabnącym w czasie (B). Obliczenia: R, pakiety survival i ggplot2 (dane symulowane, 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:

Rysunek 1. Wykres log(−log) funkcji przeżycia bez nawrotu w grupie z terapią i w grupie kontrolnej. Uwaga. Oś pozioma w skali logarytmicznej. Równoległe krzywe są zgodne z założeniem proporcjonalnych hazardów. n = 150 w każdej grupie.
Dwa panele krzywych Kaplana–Meiera odsetka osób bez nawrotu od 0 do 52 tygodni. W obu panelach niebieska ciągła krzywa terapii leży przez cały czas powyżej pomarańczowej przerywanej krzywej kontroli i krzywe się nie przecinają. Na tych krzywych trudno zobaczyć, że w B efekt słabnie
Rysunek 2. Krzywe Kaplana–Meiera dla tych samych danych co na rysunku 1. Obliczenia: R, pakiety survival i ggplot2 (dane symulowane, 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:

Rysunek 2. Odsetek osób bez nawrotu w grupie z terapią i w grupie kontrolnej (estymator Kaplana–Meiera). Uwaga. Obserwacja do 52. tygodnia; osoby, które wypadły z badania, cenzurowano. n = 150 w każdej grupie.

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.

Założenie proporcjonalnych hazardów sprawdzono na wykresie log(−log) funkcji przeżycia i testem opartym na skalowanych resztach Schoenfelda. Krzywe grup zbiegały się, a test wskazał naruszenie założenia, χ²(1) = 12.86, p < .001. Przewaga terapii była największa w pierwszych tygodniach, dlatego obok ilorazu hazardów z całego okresu (HR = 0.59, 95% CI [0.43, 0.80]) podano ilorazy hazardów w przedziałach czasu.

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.
Przykład reprodukowalny

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

Dane wejściowe: czas do nawrotu u 2 × 150 osób w dwóch scenariuszach, obserwacja do 52. tygodnia (dane symulowane, set.seed(782), parametry ustawione ręcznie).

Co odczytać: liczbę zdarzeń, HR z 95% CI, χ² i p testu cox.zph() w obu scenariuszach; odstęp krzywych log(−log) w 4., 13., 26. i 52. tygodniu.

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)))
p1
Wynik 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   -0.37

Bibliografia 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()).

  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]. 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. 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

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. 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
  2. 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
  3. 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}}
R