Interpretieren der wichtigsten Ergebnisse für Cox-Modell in einem Zählprozessformular anpassen

Führen Sie die folgenden Schritte aus, um ein nichtlineares Regressionsmodell zu interpretieren. Zu den wichtigsten Ergebnissen gehören die Anpassungstauglichkeitstests, die p-Werte, die relativen Risiken und grafische Diagnosetools.

In diesem Thema

Schritt 1: Bestimmen, wie gut das Modell an die Daten angepasst ist
Schritt 2: Bestimmen, ob die Assoziation zwischen der Antwortvariablen und dem Term statistisch signifikant ist
Schritt 3: Bestimmen Sie die relativen Risiken der Prädiktoren
Schritt 4: Bestimmen, ob das Modell die Annahme proportionaler Gefahren erfüllt

Schritt 1: Bestimmen, wie gut das Modell an die Daten angepasst ist

Verwenden Sie Tests auf Güte der Anpassung, um zu ermitteln, ob eine statistische Verteilung an Ihre Daten angepasst ist. Die Nullhypothese besagt, dass das Modell gut für die Daten passend ist. In der Regel ist ein Signifikanzniveau (als α oder Alpha bezeichnet) von 0,05 gut geeignet. Ein Signifikanzniveau von 0,05 bedeutet ein Risiko der Schlussfolgerung, dass der Koeffizient ungleich 0 ist, während er tatsächlich 0 ist, von 5 %.

p-Wert ≤ α: Das Modell stellt für die Daten eine sinnvolle Anpassung dar.: Wenn der p-Wert kleiner oder gleich dem Signifikanzniveau ist, können Sie schlussfolgern, dass die Differenz zwischen den Modellen statistisch signifikant ist. Sie sollten prüfen, ob einer der Begriffe statistisch signifikant ist, und auch sicherstellen, dass das Modell die Annahme proportionaler Gefahren erfüllt.
p-Wert > α: Es liegen keine hinreichenden Hinweise darauf vor, dass der Effekt statistisch signifikant ist.: Wenn der p-Wert größer als das Signifikanzniveau ist, können Sie nicht schlussfolgern, dass die Antwortvariable durch unterschiedliche Bedingungen geändert wird. Es empfiehlt sich möglicherweise, das Modell ohne den Term erneut anzupassen.

Tests auf Güte der Anpassung

Test	DF	Chi-Quadrat
Likelihood-Quotient	4	29,39
Wald	4	32,47
Wert	4	35,22

Wichtigste Ergebnisse: p-Wert

In diesen Ergebnissen liegen die p-Werte für alle 3 Tests unter 0,05, so dass Sie daraus schließen können, dass das Modell gut zu den Daten passt.

Schritt 2: Bestimmen, ob die Assoziation zwischen der Antwortvariablen und dem Term statistisch signifikant ist

Um zu bestimmen, ob die Assoziation zwischen der Antwortvariablen und jedem Term im Modell statistisch signifikant ist, vergleichen Sie den p-Wert für den Term mit dem Signifikanzniveau, um die Nullhypothese auszuwerten. Die Nullhypothese besagt, dass keine Assoziation zwischen dem Term und der Antwortvariablen besteht. In der Regel ist ein Signifikanzniveau (als α oder Alpha bezeichnet) von 0,05 gut geeignet. Ein Signifikanzniveau von 0,05 bedeutet ein Risiko, dass auf eine vorhandene Assoziation geschlossen wird, während tatsächlich keine vorhanden ist, von 5 %.

p-Wert ≤ α: Die Assoziation ist statistisch signifikant: Wenn der p-Wert kleiner oder gleich dem Signifikanzniveau ist, können Sie schlussfolgern, dass eine statistisch signifikante Assoziation zwischen der Antwortvariablen und dem Term besteht.
p-Wert > α: Die Assoziation ist statistisch nicht signifikant: Wenn der p-Wert größer als das Signifikanzniveau ist, können Sie nicht schlussfolgern, dass eine statistisch signifikante Assoziation zwischen der Antwortvariablen und dem Term besteht. Es empfiehlt sich möglicherweise, das Modell ohne den Term erneut anzupassen.; Wenn mehrere Prädiktoren ohne eine statistisch signifikante Assoziation mit der Antwortvariablen vorhanden sind, können Sie das Modell reduzieren, indem Sie Terme einzeln nacheinander entfernen. Weitere Informationen zum Entfernen von Termen aus dem Modell finden Sie unter Modellreduzierung.

Wenn ein Modellterm statistisch signifikant ist, hängt die Interpretation von der Art des Terms ab. Die Interpretationen lauten wie folgt:

Wenn ein kategorialer Faktor signifikant ist, können Sie daraus schließen, dass der Faktor einen Einfluss auf die Zeit bis zum Ereignis hat.
Wenn eine Kovariate statistisch signifikant ist, können Sie schlussfolgern, dass eine Assoziation zwischen Änderungen des Werts der Kovariate und Änderungen des Mittelwerts der Antwortvariablen besteht.
Wenn ein Wechselwirkungsterm signifikant ist, hängt die Beziehung zwischen einem Faktor und der Antwortvariablen von den anderen Faktoren im Term ab. In diesem Fall sollten Sie die Haupteffekte nicht interpretieren, ohne dabei den Wechselwirkungseffekt zu berücksichtigen.
Wenn ein Polynomialterm statistisch signifikant ist, können Sie schlussfolgern, dass die Daten eine Krümmung aufweisen.

Varianzanalyse

		Wald-Test
Quelle	DF	Chi-Quadrat	p-Wert
Risikokategorie	2	9,77	0,008
Normale Blutplättchen	1	9,13	0,003
Stadium der Krankheit	1	6,41	0,011

Wichtigste Ergebnisse: p-Wert

In diesen Ergebnissen ist der p-Wert für Risikokategorie bei einem α-Niveau von 0,05 signifikant. Daraus kann man schließen, dass der Risikokategorie statistisch signifikante Einfluss darauf hat, ob der Patient krankheitsfrei ist. Sie können die gleiche Schlussfolgerung über Normale Blutplättchen und Stadium der Krankheit ziehen.

Schritt 3: Bestimmen Sie die relativen Risiken der Prädiktoren

Verwenden Sie das relative Risiko, um das Risiko zwischen verschiedenen Werten der Prädiktorvariablen zu bewerten. Minitab zeigt eine separate Tabelle mit relativen Risiken für kategoriale und kontinuierliche Variablen an.

Kategoriale Variable: In der Tabelle Relative Risiken für kategoriale Prädiktoren kennzeichnet Minitab zwei Ebenen der kategorialen Variablen als Ebene A und Ebene B. Das relative Risiko beschreibt die Eintrittsrate des Ereignisses für Stufe A relativ zu Ebene B. In den folgenden Ergebnissen ist beispielsweise das Risiko, das Ereignis für Patienten mit einem Hohes Risiko for Stadium der Krankheit zu erleben, 2-mal höher als bei Patienten mit einem Stadium der Krankheit von Normal.
Stetige Variable: In der Tabelle Relative Risiken für kontinuierliche Prädiktoren zeigt Minitab die Änderungseinheit und das relative Risiko an. Das relative Risiko beschreibt die Änderung der Gefahrenrate für jede Änderungseinheit des Prädiktorwerts. Wenn beispielsweise das relative Risiko für das variable Alter 1,02 beträgt, ist die Wahrscheinlichkeit, dass ein Patient das Ereignis für jede Zunahme von 1 Jahr bis zu seinem Alter erlebt, 1,02-mal wahrscheinlicher.

Sie können das Konfidenzintervall verwenden, um zu bestimmen, ob das relative Risiko statistisch signifikant ist. Wenn das Konfidenzintervall 1 enthält, können Sie normalerweise nicht schlussfolgern, dass das relative Risiko statistisch signifikant ist.

Relative Risiken für kategoriale Prädiktoren

Stufe A	Stufe B	Relatives Risiko	95%-KI
Risikokategorie
2	1	0,4524	(0,2409; 0,8495)
3	1	0,9673	(0,5116; 1,8290)
3	2	2,1383	(1,2487; 3,6616)
Normale Blutplättchen
Ja	Nein	0,3666	(0,1912; 0,7029)
Stadium der Krankheit
Normal	Hohes Risiko	0,4986	(0,2909; 0,8547)

Wichtigste Ergebnisse: Relatives Risiko, 95% KI

Schritt 4: Bestimmen, ob das Modell die Annahme proportionaler Gefahren erfüllt

Verwenden Sie die Tabelle Tests für proportionale Gefahren, das Andersen-Diagramm und das Arjas-Diagramm, um zu bestimmen, ob das Modell die Annahme proportionaler Gefahren erfüllt. Wenn die Annahmen nicht erfüllt werden, ist das Modell u. U. nicht gut an die Daten angepasst, und Sie sollten beim Interpretieren der Ergebnisse vorsichtig sein.

Tabelle "Tests für proportionale Gefahren"

Verwenden Sie die Tests, um zu bestimmen, ob das Modell die Annahme proportionaler Gefahren erfüllt. Die Nullhypothese ist, dass das Modell die Annahme für alle Prädiktoren erfüllt. In der Regel ist ein Signifikanzniveau (als α oder Alpha bezeichnet) von 0,05 gut geeignet. Ein Signifikanzniveau von 0,05 bedeutet ein Risiko der Schlussfolgerung, dass das Modell die Streuung in der Antwortvariablen erklärt, während dies tatsächlich nicht der Fall ist, von 5 %.

Wenn der p-Wert kleiner oder gleich dem Signifikanzniveau ist, können Sie schlussfolgern, dass das Modell die Beziehung nicht richtig widerspiegelt. Wenn der p-Wert größer als das Signifikanzniveau ist, können Sie nicht schlussfolgern, dass das Modell die Streuung in der Antwortvariablen erklärt.

Andersen Handlung

Verwenden Sie das Andersen-Diagramm, um zu bestimmen, ob das Modell die Proportional-Hazards-Annahme für verschiedene Schichten erfüllt. Jede Kombination von Werten einer oder mehrerer Schichtungsvariablen definiert eine Schicht. Das Diagramm enthält eine Kurve für jede Schicht. Wenn das Modell die Annahme erfüllt, sind die Kurven gerade Linien durch den Punkt, wobei X = 0 und Y = 0 ist. Wenn die Baseline-Hazard-Rate für eine Schicht mit der Baseline-Hazard-Rate für die Schicht auf der x-Achse identisch ist, folgt die Kurve der 45-Grad-Referenzlinie auf dem Diagramm.

Wenn das Modell die Annahme nicht erfüllt, überlegen Sie, ob die Daten durch die Schichtungsvariable dividiert werden sollen, für die das Modell die Annahme der proportionalen Gefahren nicht erfüllt. Führen Sie dann eine separate Analyse für jede Teilmenge der Daten durch. Die separaten Analysen liefern unterschiedliche Effekte für die Prädiktoren in jeder Teilmenge.

Tests auf proportionale Hazards

Term	DF	Korrelation	Chi-Quadrat	p-Wert
Risikokategorie
2	1	0,0757	0,54	0,464
3	1	-0,1160	1,08	0,300
Normale Blutplättchen
Ja	1	0,0296	0,09	0,769
Stadium der Krankheit
Normal	1	-0,1205	1,30	0,255
Gesamt	4	—	5,42	0,247

Wichtigste Ergebnisse: p-Wert

In diesen Ergebnissen sind die p-Werte für den Test auf proportionale Gefahren alle größer als 0,05, so dass Sie nicht schlussfolgern können, dass das Modell die Annahme der proportionalen Gefahren nicht erfüllt.