library(survival)
library(KMsurv)
## Warning: package 'KMsurv' was built under R version 4.5.2
data(burn)
head(burn)
##   Obs Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 Z11 T1 D1 T2 D2 T3 D3
## 1   1  0  0  0 15  0  0  1  1  0   0   2 12  0 12  0 12  0
## 2   2  0  0  1 20  0  0  1  0  0   0   4  9  0  9  0  9  0
## 3   3  0  0  1 15  0  0  0  1  1   0   2 13  0 13  0  7  1
## 4   4  0  0  0 20  1  0  1  0  0   0   2 11  1 29  0 29  0
## 5   5  0  0  1 70  1  1  1  1  0   0   2 28  1 31  0  4  1
## 6   6  0  0  1 20  1  0  1  0  0   0   4 11  0 11  0  8  1
attach(burn)

Analisis Deskriptif dengan Fungsi Survival

#1. Fit fungsi survival dengan KM

fit.burnZ4 <- survfit(Surv(T1,D1)~Z4, data=burn, conf.type="log-log")
fit.burnZ11 <- survfit(Surv(T1,D1)~as.factor(Z11), data=burn, conf.type="log-log")

#2. Plot fungsi survival

par(mfrow=c(1,2))
plot(fit.burnZ4, lty = 1:10, col = 1:4, main="S(t) berdasarkan Z4", xlab="Waktu survival",ylab="Fungsi survival")

Grafik fungsi survival berdasarkan variabel Z4 menunjukkan pola probabilitas survival terhadap waktu pengamatan. Perbedaan pola kurva antarkelompok menggambarkan adanya variasi probabilitas survival selama periode pengamatan. Kurva yang mengalami penurunan lebih cepat menunjukkan bahwa kejadian cenderung terjadi lebih awal dibandingkan kelompok dengan kurva yang bertahan lebih tinggi. Pola ini memberikan gambaran awal mengenai perbedaan karakteristik survival antarkelompok berdasarkan variabel Z4.

plot(fit.burnZ11, lty = 2:5, col = 1:4, main="S(t) berdasarkan Z11", xlab="Waktu survival",ylab="Fungsi survival")
legend(30,1, c("chemical", "scald", "electric", "flame"), lty = 2:5, col = 1:4, bty = "n", cex = .7)

Kurva fungsi survival berdasarkan variabel Z11 menunjukkan adanya perbedaan pola probabilitas survival pada empat kategori, yaitu chemical, scald, electric, dan flame. Kelompok electric memperlihatkan probabilitas survival yang relatif lebih tinggi dan stabil dibandingkan kelompok lainnya. Sebaliknya, kelompok chemical menunjukkan penurunan probabilitas survival yang lebih cepat pada periode awal pengamatan. Kelompok scald memiliki pola survival yang relatif bertahan hingga akhir pengamatan, sedangkan kelompok flame mengalami penurunan secara bertahap seiring bertambahnya waktu pengamatan. Perbedaan pola tersebut memberikan gambaran bahwa kategori Z11 berkaitan dengan variasi karakteristik survival pada objek penelitian

#3. Pengecekan Asumsi PH

surv.time <- Surv(T1,D1)
model.2 <- coxph(surv.time~Z4+as.factor(Z11), method = 'breslow')
summary(model.2)
## Call:
## coxph(formula = surv.time ~ Z4 + as.factor(Z11), method = "breslow")
## 
##   n= 154, number of events= 99 
## 
##                      coef exp(coef)  se(coef)      z Pr(>|z|)  
## Z4              -0.005464  0.994551  0.005474 -0.998   0.3182  
## as.factor(Z11)2 -0.945124  0.388631  0.495998 -1.906   0.0567 .
## as.factor(Z11)3 -1.689737  0.184568  0.803183 -2.104   0.0354 *
## as.factor(Z11)4 -0.398722  0.671177  0.395720 -1.008   0.3137  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##                 exp(coef) exp(-coef) lower .95 upper .95
## Z4                 0.9946      1.005   0.98394    1.0053
## as.factor(Z11)2    0.3886      2.573   0.14701    1.0274
## as.factor(Z11)3    0.1846      5.418   0.03824    0.8909
## as.factor(Z11)4    0.6712      1.490   0.30903    1.4577
## 
## Concordance= 0.57  (se = 0.035 )
## Likelihood ratio test= 9.79  on 4 df,   p=0.04
## Wald test            = 8.08  on 4 df,   p=0.09
## Score (logrank) test = 8.68  on 4 df,   p=0.07

Hasil regresi Cox menunjukkan bahwa Z4 tidak berpengaruh signifikan terhadap risiko kejadian (p = 0,3182), sedangkan kategori ketiga pada Z11 berpengaruh signifikan (p = 0,0354) dengan hazard ratio sebesar 0,1846 dibandingkan kategori referensi. Secara simultan, berdasarkan uji Likelihood Ratio, model menunjukkan pengaruh yang signifikan (p = 0,04), meskipun hasil uji Wald dan Score belum signifikan pada taraf 5%.

plot(survfit(surv.time~as.factor(Z11), data=burn), fun = "cloglog", lty = 1:4, col = 1:4, mark.time = FALSE, main = "", xlab = "Waktu survival", ylab = "log(H(t))")

5. Regresi Cox-Stratifikasi

model.3 <- coxph(surv.time~Z4+strata(Z11), method = 'breslow')
summary(model.3)
## Call:
## coxph(formula = surv.time ~ Z4 + strata(Z11), method = "breslow")
## 
##   n= 154, number of events= 99 
## 
##         coef exp(coef)  se(coef)      z Pr(>|z|)
## Z4 -0.004339  0.995671  0.005481 -0.792    0.429
## 
##    exp(coef) exp(-coef) lower .95 upper .95
## Z4    0.9957      1.004     0.985     1.006
## 
## Concordance= 0.5  (se = 0.036 )
## Likelihood ratio test= 0.65  on 1 df,   p=0.4
## Wald test            = 0.63  on 1 df,   p=0.4
## Score (logrank) test = 0.63  on 1 df,   p=0.4