Słownik metodologiczny · Modele regresji

Zmienne zależne od czasu w modelu Coxa – jak uwzględnić ekspozycję, która się zmienia?

Zmienna zależna od czasu pozwala w modelu Coxa uwzględnić leczenie włączone w trakcie obserwacji albo powtarzany pomiar. Pokazujemy format licznikowy, przykład w R z tmerge() i różnicę względem efektu zależnego od czasu.

Strona główna / Słownik / Zmienne zależne od czasu
W skrócie: Zmienna zależna od czasu w modelu Coxa to predyktor, którego wartość zmienia się w trakcie obserwacji, np. włączenie leku. Dane zapisuje się w formacie licznikowym (tstart, tstop]. Wpisanie „leczony kiedykolwiek” jako zmiennej stałej daje błąd czasu nieśmiertelnego: w symulacji HR = 0.33 zamiast poprawnego 1.59.

Co to są zmienne zależne od czasu?

W standardowym modelu Coxa, podstawowym narzędziu analizy przeżycia, predyktory mierzy się raz, na początku obserwacji. Zmienna zależna od czasu (ang. time-dependent covariate) zmienia wartość w trakcie obserwacji: włączenie leku, przeszczep, kolejny pomiar biomarkera. Model porównuje wtedy w każdej chwili hazard osób według bieżącej wartości zmiennej: h(t) = h0(t) · exp(β · x(t)), a exp(β) pozostaje ilorazem hazardów.

Format licznikowy

Dane zapisuje się w formacie licznikowym (ang. counting process): każda osoba ma tyle wierszy, ile okresów o stałej wartości zmiennej, z początkiem i końcem przedziału (tstart, tstop] oraz wskaźnikiem zdarzenia tylko w ostatnim wierszu. W R takie dane przygotowują funkcje tmerge() lub survSplit() z pakietu survival, a model zapisuje się jako Surv(tstart, tstop, zdarzenie).

Przykład

W symulacji 600 osób lek włączany w trakcie obserwacji zwiększa hazard zgonu 1.5 raza. Gdy „leczony kiedykolwiek” wpisze się jako zwykłą zmienną stałą, HR = 0.33, 95% CI [0.27, 0.39] – lek wygląda na silnie ochronny, bo osoby leczone musiały dożyć jego włączenia. Ten sam lek jako zmienna zależna od czasu daje HR = 1.59 [1.30, 1.94], blisko prawdy. To mechanizm błędu czasu nieśmiertelnego, który Suissa (2008) opisał jako źródło pozornie skrajnej skuteczności leków w badaniach obserwacyjnych.

Na rysunku

Rysunek pokazuje pierwsze osiem osób z przykładu (numery 1–8 w zbiorze, bez wybierania) zapisanych na dwa sposoby: ze zmienną stałą „leczony kiedykolwiek” i w formacie licznikowym, który przygotowuje tmerge().

Dwa panele jeden nad drugim, oś pozioma od 0 do 30 miesięcy, osiem poziomych odcinków dla osób 1–8, każdy zakończony czarną kropką zgonu. A: siedem odcinków w całości pomarańczowych przerywanych (lek = 1 od początku), tylko osoba 3 ma niebieski ciągły odcinek do 11.0 miesiąca; obok wiersze danych, np. (0, 7.6] lek=1 zgon. B: te same osoby; odcinki są niebieskie ciągłe do pionowej kreski włączenia leku, a potem pomarańczowe przerywane; obok po dwa wiersze danych, np. (0.0, 0.9] lek=0 | (0.9, 7.6] lek=1 zgon; u osoby 6 lek włączono dopiero w 16.9 miesiącu
Rysunek 1. Czas obserwacji ośmiu osób zapisany jako zmienna stała (A) i w formacie licznikowym (tstart, tstop] (B). Kolor i rodzaj linii to wartość zmiennej lek, kreska pionowa to włączenie leku, kropka to zgon. Obliczenia: R, pakiety survival, ggplot2 i patchwork (dane symulowane, set.seed(574)).

Co widać. W panelu A siedem z ośmiu osób ma lek = 1 przez cały czas obserwacji, choć żadna nie dostała leku pierwszego dnia. Osoba 6 była bez leku przez 16.9 miesiąca, a osoba 8 przez 14.9 miesiąca – w modelu ze zmienną stałą te miesiące przeżycia liczą się na korzyść leku. Osoba 3 zmarła w 11.0 miesiącu, zanim dostała lek, więc trafia do nieleczonych. Stąd pozornie ochronne HR = 0.33 z przykładu. W panelu B każda leczona osoba ma dwa wiersze: do włączenia leku (lek = 0, bez zdarzenia) i po nim (lek = 1, ze zgonem w ostatnim wierszu). Przedziały są lewostronnie otwarte, a koniec jednego jest początkiem następnego, np. (0.0, 3.3] i (3.3, 19.7] u osoby 2. W każdej chwili model porównuje osoby według bieżącej wartości zmiennej i dlatego daje HR = 1.59, blisko prawdziwego 1.5.

Na co uważać. Rysunek pokazuje tylko jedną zmianę stanu (0 → 1). Gdy zmienna zmienia się wiele razy, np. kolejne pomiary biomarkera, wierszy jest więcej, a wartość w każdym przedziale musi być znana przed jego początkiem. Format nie mówi też nic o tym, dlaczego lek włączono właśnie wtedy – jeśli decyzja zależała od pogorszenia stanu, HR pozostaje obciążony. Ten sam mechanizm od strony obciążenia pokazuje hasło błąd czasu nieśmiertelnego.

Podpis do pracy:

Rysunek 1. Czas obserwacji ośmiu uczestników zapisany ze stałą zmienną leczenia (A) i w formacie licznikowym z leczeniem jako zmienną zależną od czasu (B). Uwaga. Pionowa kreska oznacza włączenie leku, kropka – zgon; z prawej strony podano odpowiadające odcinkom wiersze zbioru danych.

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. Te same osoby jako zmienna stała („leczony kiedykolwiek”) i w formacie licznikowym (tstart, tstop]
library(survival)
library(ggplot2)
library(patchwork)

kol <- c("0 – bez leku" = "#0072B2", "1 – na leku" = "#D55E00")   # Okabe–Ito
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(574)                                      # te same dane co w przykładzie w haśle
n <- 600; h0 <- 1 / 20; HR <- 1.5
t_leku <- rexp(n, rate = 1 / 10)
t1 <- rexp(n, h0)
zgon <- ifelse(t1 < t_leku, t1, t_leku + rexp(n, h0 * HR))
cenz <- 36; czas <- pmin(zgon, cenz); zd <- as.numeric(zgon <= cenz)
lek <- as.numeric(t_leku < czas)
d <- data.frame(id = 1:n, czas, zd, t_leku)
d2 <- tmerge(d[, c("id", "czas")], d, id = id, zgon = event(czas, zd))
d2 <- tmerge(d2, d, id = id, lek_t = tdc(ifelse(t_leku < czas, t_leku, NA)))

# Osoby nr 1–8 (pierwsze w zbiorze, bez wybierania)
w <- d2[d2$id <= 8, c("id", "tstart", "tstop", "zgon", "lek_t")]
print(transform(w, tstart = round(tstart, 1), tstop = round(tstop, 1)), row.names = FALSE)
w$stan <- names(kol)[w$lek_t + 1]
s <- d[d$id <= 8, ]
s$stan <- names(kol)[lek[1:8] + 1]
konce <- data.frame(id = s$id, x = s$czas,
                    typ = factor(ifelse(s$zd == 1, "zgon", "koniec obserwacji"), c("zgon", "koniec obserwacji")))

os_y <- scale_y_reverse(NULL, breaks = 1:8, labels = paste("osoba", 1:8), limits = c(8.4, 0))
os_x <- scale_x_continuous("Miesiące od początku obserwacji", limits = c(0, 56), breaks = seq(0, 30, 6))
skale <- list(scale_colour_manual("Wartość zmiennej lek", values = kol),
              scale_linetype_manual("Wartość zmiennej lek", values = c("solid", "22")),
              scale_shape_manual(NULL, values = c(zgon = 16, "koniec obserwacji" = 21)))

# A: zmienna stała – cały czas osoby z jedną wartością (leczeni „od zera”)
pA <- ggplot(s) +
  geom_segment(aes(x = 0, xend = czas, y = id, yend = id, colour = stan, linetype = stan), linewidth = 1.3) +
  geom_point(data = konce, aes(x, id, shape = typ), size = 3, fill = "white") +
  geom_text(aes(x = 31, y = id, label = sprintf("(0, %.1f]  lek=%d%s", czas, lek[1:8], ifelse(zd == 1, "  zgon", ""))),
            hjust = 0, size = 3.3) +
  annotate("text", x = 31, y = 0.2, label = "wiersz danych (0, czas]", hjust = 0, size = 3.3, fontface = "bold") +
  skale + os_y + os_x + labs(title = "A. Zmienna stała: jeden wiersz na osobę, lek = 1 od początku")

# B: format licznikowy – nowy wiersz od chwili włączenia leku; etykieta = przedział (tstart, tstop]
pB <- ggplot(w) +
  geom_segment(aes(x = tstart, xend = tstop, y = id, yend = id, colour = stan, linetype = stan), linewidth = 1.3) +
  geom_point(data = w[w$tstart > 0, ], aes(tstart, id), shape = 124, size = 6) +
  geom_point(data = konce, aes(x, id, shape = typ), size = 3, fill = "white") +
  geom_text(data = aggregate(cbind(etykieta = sprintf("(%.1f, %.1f]  lek=%d%s", tstart, tstop, lek_t, ifelse(zgon == 1, "  zgon", ""))) ~ id,
                             w, paste, collapse = "  |  "),
            aes(x = 31, y = id, label = etykieta), hjust = 0, size = 3.3) +
  annotate("text", x = 31, y = 0.2, label = "wiersze danych (tstart, tstop]", hjust = 0, size = 3.3,
           fontface = "bold") +
  skale + os_y + os_x + labs(title = "B. Format licznikowy: wiersz (tstart, tstop] na każdy okres")

p1 <- (pA / pB) + plot_layout(guides = "collect") & motyw
p1
Wynik w R
 id tstart tstop zgon lek_t
  1    0.0   0.9    0     0
  1    0.9   7.6    1     1
  2    0.0   3.3    0     0
  2    3.3  19.7    1     1
  3    0.0  11.0    1     0
  4    0.0   0.7    0     0
  4    0.7   2.8    1     1
  5    0.0   3.1    0     0
  5    3.1  17.5    1     1
  6    0.0  16.9    0     0
  6   16.9  28.3    1     1
  7    0.0   7.9    0     0
  7    7.9  12.7    1     1
  8    0.0  14.9    0     0
  8   14.9  22.5    1     1

Na co uważać

Fisher i Lin (1999) podkreślają, że zmienne zależne od czasu dają nowe możliwości, ale wymagają ostrożności.

  • Wzajemne powiązania wyniku i zmiennej w czasie. Jeśli wartość zmiennej zależy od wcześniejszego przebiegu choroby lub leczenia, model może dać obciążony wynik.
  • Wartości z przyszłości. W danym momencie używaj tylko wartości znanej przed tą chwilą.
  • Krzywe przeżycia. Taki model zwykle nie pozwala przewidzieć krzywej przeżycia w czasie; do opisu grup lepiej nadaje się analiza landmark.
  • Zmienna zależna od czasu to nie efekt zależny od czasu. Gdy HR stałej zmiennej zmienia się w czasie, czyli hazardy nie są proporcjonalne, model rozszerza się o współczynnik β(t) (Grambsch i Therneau, 1994); w R służy do tego funkcja tt() w coxph().

Sprawdzanie proporcjonalności hazardów krok po kroku pokazuje wpis Kaplan–Meier i model Coxa krok po kroku.

Przykład reprodukowalny

Zmienna zależna od czasu w R

Kod symuluje kohortę, w której lek włączany w trakcie obserwacji zwiększa hazard 1.5 raza, buduje dane w formacie licznikowym funkcją tmerge() i porównuje model ze zmienną stałą („leczony kiedykolwiek”) z modelem ze zmienną zależną od czasu. Liczby w tekście pochodzą z tego kodu.

Zmienna stała a zmienna zależna od czasu

Dane wejściowe: 600 osób, czas włączenia leku i czas do zgonu z rozkładu wykładniczego, obserwacja do 36 miesięcy (dane symulowane, set.seed(574)).

Co odczytać: dwa wiersze osoby nr 2 (przed lekiem i po jego włączeniu); HR ze zmienną stałą = 0.33 [0.27, 0.39], HR ze zmienną zależną od czasu = 1.59 [1.30, 1.94] przy prawdziwym HR = 1.5.

R
library(survival)
set.seed(574)                                      # 600 osób; lek włączany w trakcie obserwacji
n <- 600; h0 <- 1 / 20; HR <- 1.5                  # prawdziwy efekt leku: HR = 1.5 (szkodliwy)
t_leku <- rexp(n, rate = 1 / 10)                   # czas włączenia leku (miesiące)
t1 <- rexp(n, h0)                                  # zgon przed włączeniem leku?
zgon <- ifelse(t1 < t_leku, t1, t_leku + rexp(n, h0 * HR))  # po włączeniu hazard rośnie 1.5 raza
cenz <- 36; czas <- pmin(zgon, cenz); zd <- as.numeric(zgon <= cenz)
lek <- as.numeric(t_leku < czas)                   # „kiedykolwiek leczony” (błąd czasu nieśmiertelnego)
d <- data.frame(id = 1:n, czas, zd, t_leku)
d2 <- tmerge(d[, c("id", "czas")], d, id = id, zgon = event(czas, zd))
d2 <- tmerge(d2, d, id = id, lek_t = tdc(ifelse(t_leku < czas, t_leku, NA)))  # 0 do włączenia, potem 1
stale <- coxph(Surv(czas, zd) ~ lek)
zmienne <- coxph(Surv(tstart, tstop, zgon) ~ lek_t, data = d2)
d2[d2$id == 2, c("id", "tstart", "tstop", "zgon", "lek_t")]   # format licznikowy: przedziały (tstart, tstop]
round(rbind(staly_kowariant = summary(stale)$conf.int[, c(1, 3, 4)],
            zalezny_od_czasu = summary(zmienne)$conf.int[, c(1, 3, 4)]), 2)
Wynik w R
  id   tstart     tstop zgon lek_t
3  2 0.000000  3.252584    0     0
4  2 3.252584 19.706917    1     1
                 exp(coef) lower .95 upper .95
staly_kowariant       0.33      0.27      0.39
zalezny_od_czasu      1.59      1.30      1.94

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

Kiedy w modelu Coxa potrzebna jest zmienna zależna od czasu?

Gdy ekspozycja zaczyna się lub zmienia po początku obserwacji: włączenie leczenia, przeszczep, nowy pomiar. Wpisanie stanu „kiedykolwiek” jako zmiennej stałej prowadzi do błędu czasu nieśmiertelnego – w przykładzie HR = 0.33 zamiast 1.59.

Czym zmienna zależna od czasu różni się od efektu zależnego od czasu?

W pierwszym przypadku zmienia się wartość predyktora, w drugim – współczynnik, czyli HR stałej zmiennej, co oznacza brak proporcjonalności hazardów. W R pierwszy przypadek obsługuje format licznikowy z tmerge(), drugi funkcja tt() w coxph().

Czy z modelu ze zmienną zależną od czasu można wyznaczyć krzywe przeżycia?

Zwykle nie wprost: Fisher i Lin (1999) zauważają, że taki model na ogół nie pozwala przewidzieć krzywej przeżycia w czasie. Do opisu grup ustalanych w trakcie obserwacji lepiej nadaje się analiza landmark.

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. Fisher, L. D., & Lin, D. Y. (1999). Time-dependent covariates in the Cox proportional-hazards regression model. Annual Review of Public Health, 20(1), 145–157. https://doi.org/10.1146/annurev.publhealth.20.1.145 ● 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. Suissa, S. (2008). Immortal time bias in pharmacoepidemiology. American Journal of Epidemiology, 167(4), 492–499. https://doi.org/10.1093/aje/kwm324

Cytowania BibTeX

@article{fisher1999time, author={Fisher, Lloyd D. and Lin, D. Y.}, title={{Time-dependent covariates in the Cox proportional-hazards regression model}}, journal={Annual Review of Public Health}, year={1999}, volume={20}, number={1}, pages={145--157}, doi={10.1146/annurev.publhealth.20.1.145}}
@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{suissa2008immortal, author={Suissa, S.}, title={{Immortal time bias in pharmacoepidemiology}}, journal={American Journal of Epidemiology}, year={2008}, volume={167}, number={4}, pages={492--499}, doi={10.1093/aje/kwm324}}
R