Допустимая доля цензурированных наблюдений в анализе выживаемости, а что если 100%? Опции

[nokh]

Идеальные данные для анализа выживаемости - когда точно известно сколько человек прожил, например, после операции и когда умер. В этом случае цензурированных наблюдений нет. Другой крайний случай - когда все наблюдения цензурированные и дальнейшая судьба пациентов неизвестна. Например один прожил больше года, другой - больше трех. В этом случае может оказаться, что больше года - это 5, а больше трех - это 4. Поэтому, насколько я понимаю, сравнить выживаемость в двух группах где все наблюдения цензурированные невозможно в принципе. А какова допустимая доля цензурированных наблюдений в выборке? Существуют ли какие-то обоснованные или негласные правила? Полазил в и-нете, заглянул в книжки - пока ответа не нашел, хотя везде рассматриваются примеры где полные данные заметно преобладают над цензурированными. Или может считать цензурированными только точно живых на момент анализа, а всех потерявшихся считать умершими в интервале между двумя осмотрами, как прочитал в одной статье?

[nokh]

Спасибо за разъяснения. Выходит что если предикторы представлены данными разного типа, то использовать величину HR для оценки их прогностической ценности нельзя. А вот этот момент не понял:

...После этого вы можете получить HR для второй градации относительно первой, третьей относительно второй и т.д.

Как вы это проделываете? (1) Выдергиваете интересующие категории из всего массива предикторов и строите для них отдельные регресии чтобы в этом разобраться или (2) разбиваете все сложные предикторы на бинарные и включаете в модель Кокса одновременно? Если (2), то модель получется очень сложной, а если (1), то предикторы не будут adjusted друг на друга

[плав]

1) Спасибо за разъяснения. Выходит что если предикторы представлены данными разного типа, то использовать величину HR для оценки их прогностической ценности нельзя. А вот этот момент не понял:

2) Как вы это проделываете? (1) Выдергиваете интересующие категории из всего массива предикторов и строите для них отдельные регресии чтобы в этом разобраться или (2) разбиваете все сложные предикторы на бинарные и включаете в модель Кокса одновременно? Если (2), то модель получется очень сложной, а если (1), то предикторы не будут adjusted друг на друга

1) Почему нельзя использовать? Так же как в логистической регрессии используете для количественных стандартизованные HR (т.е. HR при изменении значения на 1 SD (exp(\beta*SD)), так разные показатели можно сравнивать друг с другом (для бинарных, SD, очевидно, будет равно \sqrt(р*(1-р)))
2) А чего плохого в большом количестве бинарных предикторов? Модель действительно строится для большого количества бинарных предикторов (кстати, SAS это делает автоматом при использовании идентификатора CLASS, Stata при помощи приставки xi, а R просто автоматически конвертирует факторы (т.е. качественные переменные)). Так что проблем нет, в конечной модели, которая представляется в статью большая часть предикторов, которые были в модели опускаются и приводятся HR только для важнейших с подписью в заголовке, что все откорректировано на "пол, возраст и уровень ХС"