Stata RCS实战：用乳腺癌数据手把手教你绘制限制立方样条图（附P值计算与图形美化）
Stata RCS实战：从乳腺癌数据到期刊级限制立方样条图全流程解析
在临床医学和公共卫生研究中，连续变量与结局的非线性关系分析一直是方法论上的难点。传统的线性回归模型无法捕捉这种复杂关联，而限制立方样条（Restricted Cubic Spline, RCS）通过灵活的节点设置和分段多项式拟合，成为揭示非线性关系的利器。本文将以乳腺癌生存分析为例，手把手演示如何用Stata完成从数据准备到图形美化的全流程操作。
1. 数据准备与环境配置
1.1 数据集概览与预处理
我们使用的乳腺癌数据集包含以下关键变量：
| 变量名 | 类型 | 描述 |
|---|---|---|
| age | 连续 | 患者年龄（岁） |
| pathsize | 连续 | 病理肿瘤大小（厘米） |
| lnpos | 分类 | 腋窝淋巴结阳性数量 |
| status | 二分类 | 结局事件（1=死亡，0=删失） |
| time | 连续 | 生存时间（月） |
数据检查命令：
// 查看数据基本情况 describe summarize age pathsize time // 检查缺失值 misstable summarize1.2 xblc包安装与升级
确保使用最新版xblc包（建议≥2.5版本）：
// 安装/升级命令 net install xblc, from("https://www.stata-journal.com/software/sj21-3") replace提示：若安装失败，可尝试更换镜像源或手动下载安装包。
2. RCS建模核心步骤
2.1 节点设置与样条生成
节点选择直接影响拟合效果，临床研究中常用四分位数作为节点位置：
// 计算年龄的四分位数 summarize age, detail return list // 生成样条变量（假设四分位数为46,56,67,78） mkspline age_rcs = age, knots(46 56 67 78) cubic displayknots节点选择原则：
- 一般3-5个节点足够捕捉大多数非线性模式
- 节点应覆盖数据范围，避免外推
- 关键临床切点（如诊断标准值）应优先考虑
2.2 COX比例风险模型构建
建立调整混杂因素的生存分析模型：
// 设置生存时间变量 stset time, failure(status==1) // 构建COX模型（调整淋巴结状态） stcox age_rcs1 age_rcs2 age_rcs3 i.lnpos, vce(robust)模型输出解读重点：
- 检查比例风险假设（
estat phtest） - 关注整体模型拟合优度（Likelihood Ratio Test）
3. 图形生成与P值计算
3.1 RCS图形绘制
新版xblc命令语法变化是用户常见痛点，正确用法如下：
// 生成绘图数据点（35-79岁每岁一个点） levelsof age if inrange(age,35,79), local(age_points) // 执行RCS绘图命令 xblc age_rcs1-age_rcs3, covname(age) at(`age_points') /// eform reference(50) line generate(pa hr lb ub)3.2 非线性检验P值计算
检验非线性关系的统计学显著性：
// 检验高阶项显著性 testparm age_rcs2 age_rcs3 // 结果存储（用于图形标注） local pval = string(r(p), "%4.3f")注意：P值介于0.04-0.06时，建议结合临床意义判断。
4. 图形美化与期刊投稿标准
4.1 基础图形优化
生成符合出版要求的图形：
twoway (rarea lb ub pa, fcolor(gs12) lwidth(none)) /// (line hr pa, lcolor(black) lwidth(medthick)), /// legend(off) /// yscale(log) /// ylabel(0.5 1 2 4, angle(0)) /// xtitle("Age (years)") /// ytitle("Hazard Ratio (95% CI)") /// xlabel(40(10)80) /// yline(1, lpattern(dash) lcolor(red)) /// title("") /// name(rcs_plot, replace)4.2 专业级图形元素添加
添加P值标签的两种方法：
方法一：Stata图形编辑器
- 右键点击图形 → 选择"Start Graph Editor"
- 添加文本工具 → 输入"P for non-linearity = `pval'"
- 调整字体大小和位置
方法二：命令添加（可重复执行）
// 添加P值文本 graph export "rcs_plot.png", replace4.3 图形导出设置
期刊投稿推荐参数：
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 格式 | .tif 或 .eps | 矢量图优先 |
| 分辨率 | ≥600 dpi | 位图要求 |
| 尺寸 | 单栏8-9cm宽度 | 双栏图不超过17cm |
| 字体 | Arial或Times | 字号≥8pt |
// 高质量导出示例 graph export "Figure1.tif", width(2000) replace5. 实战中的常见问题解决
5.1 节点位置敏感性分析
改变节点数量验证结果稳健性：
// 尝试不同节点设置 mkspline age_rcs_a = age, knots(40 55 70) cubic mkspline age_rcs_b = age, knots(50 60 70 80) cubic // 比较图形差异 xblc age_rcs_a*, covname(age) at(`age_points') ... xblc age_rcs_b*, covname(age) at(`age_points') ...5.2 小样本数据的处理策略
当样本量<200时建议：
- 减少节点数量（3个足够）
- 使用Bootstrap计算置信区间
- 考虑惩罚样条方法
// Bootstrap置信区间 bootstrap, reps(500): stcox age_rcs* ...5.3 交互作用分析技巧
探索不同亚组的非线性模式差异：
// 按ER状态分层分析 stcox age_rcs* i.lnpos if er==1 stcox age_rcs* i.lnpos if er==0 // 交互作用检验 gen ageXer = age*er stcox age_rcs* i.lnpos ageXer6. 进阶应用与扩展
6.1 多变量RCS模型
同时分析多个连续变量的非线性效应：
// 为肿瘤大小创建样条 summarize pathsize, detail mkspline path_rcs = pathsize, knots(2 3 5) cubic // 双变量RCS模型 stcox age_rcs* path_rcs* i.lnpos6.2 时依效应检验
检查非线性效应是否随时间变化：
// 时依协变量设置 stcox age_rcs* i.lnpos, tvc(age_rcs*) dttv(3) estat phtest, plot(age_rcs1)6.3 结果报告规范
期刊表格建议包含：
- 节点位置及依据
- 非线性检验P值
- 关键拐点HR值（如临床切点）
- 模型调整的协变量列表
在Stata中自动生成报告表格：
// 制作发布质量表格 esttab using "results.rtf", /// b(%6.2f) ci(%6.2f) /// label replace /// title("Table 1. Cox Regression with RCS")