Есть ли способ получить частичную вероятность модели Кокса PH с новыми данными и фиксированными коэффициентами?

Я выполняю перекрестную проверку модели пропорциональных рисков конкурирующих рисков. С помощью mstate pacakge я подготовил свои данные и подгоняю их с survival::coxph. Я получаю подобранный объект модели Кокса для моих обучающих данных, но я хочу оценить частичную вероятность моих обученных коэффициентов с моими тестовыми данными.

Если мне нужно, я сам напишу функцию частичного правдоподобия, но я бы предпочел этого не делать (хотя, вероятно, это было бы хорошо для меня). Пакет выживания вычисляет в этом коде C, но расчет вероятности встроена в функцию подгонки. Может быть, есть способ исправить параметры или какие-то другие инструменты, чтобы легко получить частичную вероятность?

Минимальный рабочий пример

# Adapted from examples in the mstate vignette
# http://cran.r-project.org/web/packages/mstate/vignettes/Tutorial.pdf
# beginning at the bottom of page 28

library(mstate)
library(survival)

# Get data. I add a second explanatory variable (badx) for illustration
# Also divide the data by subject into training and test sets.
data(aidssi)
si <- aidssi # Just a shorter name
si$badx <- sample(c("A", "B"), size = nrow(si), replace = TRUE)
si$fold <- sample(c("train", "test"), size = nrow(si), replace = TRUE, prob = c(0.7, 0.3))
tmat <- trans.comprisk(2, names = c("event-free", "AIDS", "SI"))
si$stat1 <- as.numeric(si$status == 1)
si$stat2 <- as.numeric(si$status == 2)

# Convert the data to a long competing risks format
silong <- msprep(time = c(NA, "time", "time"), 
                 status = c(NA,"stat1", "stat2"),
                 data = si, keep = c("ccr5", "badx", "fold"), trans = tmat)
silong <- na.omit(silong)
silong <- expand.covs(silong, c("ccr5", "badx"))
train.dat <- subset(silong, fold == "train")
test.dat <- subset(silong, fold == "test")

Данные выглядят так:

> head(silong)
An object of class 'msdata'

Data:
  id from to trans Tstart  Tstop   time status ccr5 badx  fold ccr5WM.1 ccr5WM.2 badxB.1 badxB.2
1  1    1  2     1      0  9.106  9.106      1   WW    A train        0        0       0       0
2  1    1  3     2      0  9.106  9.106      0   WW    A train        0        0       0       0
3  2    1  2     1      0 11.039 11.039      0   WM    B train        1        0       1       0
4  2    1  3     2      0 11.039 11.039      0   WM    B train        0        1       0       1
5  3    1  2     1      0  2.234  2.234      1   WW    B train        0        0       1       0
6  3    1  3     2      0  2.234  2.234      0   WW    B train        0        0       0       1

Теперь переменная ccr5 может быть смоделирована как специфическая для перехода или как имеющая равный пропорциональный эффект для всех переходов. Модели бывают:

train.mod.equal <- coxph(Surv(time, status) ~ ccr5 + badx + strata(trans),
                         data = train.dat)
train.mod.specific <- coxph(Surv(time, status) ~ ccr5WM.1 + ccr5WM.2 + badx + strata(trans),
                            data = train.dat)

Теперь я хотел бы использовать тестовые данные, чтобы оценить выбор переменной относительно того, должен ли ccr5 зависеть от перехода или нет. У меня большой набор данных и множество переменных - в основном, но не все категориальных, - которые могут быть одинаковыми. Оценка - вот где я застрял.

# We can fit the same models to the test data,
# this yields new parameter estimates of course,
# but the model matrices might be useful
test.mod.equal <- coxph(Surv(time, status) ~ ccr5 + badx + strata(trans),
                         data = test.dat)
test.mod.specific <- coxph(Surv(time, status) ~ ccr5WM.1 + ccr5WM.2 + badx + strata(trans),
                            data = test.dat)
test.eq.mm <- model.matrix(test.mod.equal)
test.sp.mm <- model.matrix(test.mod.specific)

# We can use these to get the first part of the sum of the partial likelihood:
xbeta.eq <- test.eq.mm[test.dat$status == 1, ] %*% coef(train.mod.equal)
xbeta.sp <- test.sp.mm[test.dat$status == 1, ] %*% coef(train.mod.specific)

# We can also get linear predictors
lp.eq <- predict(train.mod.equal, newdata = test.dat, type = "lp")
lp.sp <- predict(train.mod.specific, newdata = test.dat, type = "lp")

Я надеюсь вычислить частичное правдоподобие для каждой из моделей на тестовых данных с оценками коэффициентов обучения. Возможно, мне стоит переместить вопрос в раздел «Перекрестная проверка» и спросить, достаточно ли близка сумма линейных предикторов (или сумма линейных предикторов, исключая цензурированные случаи) к эквивалентной мере.