Tabelle der Tests auf Güte der Anpassung Cox-Modell nur mit festen Prädiktoren anpassen

Die Minitab Statistical Software bietet 3 Anpassungstests: den globalen Wald-Test, den globalen Likelihood-Ratio-Test und den globalen Bewertungstest. Wenn es keine gebundenen Ereigniszeiten gibt, ist der Score-Test identisch mit dem bekannten Log-Rank-Test. Bei einer Analyse mit Clustern stellt Minitab den Test des globalen Wahrscheinlichkeitsverhältnisses nicht bereit, da bei diesem Test davon ausgegangen wird, dass Beobachtungen innerhalb von Clustern unabhängig sind. Die Interpretation der Statistik ist für alle 3 Tests gleich.

DF

Die Freiheitsgrade für die Passgenauigkeitstests sind die Summe der Freiheitsgrade für die Begriffe im Modell. Diese Summe entspricht der Anzahl der Parameter im Modell.

Chi-Quadrat

Jeder Test auf Güte der Anpassung hat eine Chi-Quadrat-Statistik. Der Chi-Quadrat-Wert ist die Teststatistik, mit der bestimmt wird, ob eine Assoziation zwischen einem Term oder Modell und der Antwortvariablen besteht.

Minitab verwendet die Chi-Quadrat-Statistik zum Berechnen des p-Werts, anhand dessen Sie eine Entscheidung über die statistische Signifikanz der Terme und des Modells treffen können. Der p-Wert ist ein Wahrscheinlichkeitsmaß für die Anzeichen gegen die Annahme der Nullhypothese. Geringere Wahrscheinlichkeiten liefern stärkere Anzeichen dafür, dass die Nullhypothese nicht zutrifft. Eine hinreichend große Chi-Quadrat-Statistik führt zu einem kleinen p-Wert, der darauf hinweist, dass der Term oder das Modell statistisch signifikant ist.

p-Wert

Der p-Wert ist ein Wahrscheinlichkeitsmaß für die Anzeichen gegen die Annahme der Nullhypothese. Geringere Wahrscheinlichkeiten liefern stärkere Anzeichen dafür, dass die Nullhypothese nicht zutrifft.

Interpretation

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 nicht gut zu den Daten passt. 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 %.

Unter der Nullhypothese hat die Teststatistik für jeden Test eine asymptotische Chi-Quadrat-Verteilung mit Freiheitsgraden, die der Anzahl der Koeffizienten im Modell entsprechen. Die asymptotische Verteilung ist gültig, wenn die Anzahl der beobachteten Ereignisse im Vergleich zur Anzahl der geschätzten Parameter groß ist. Für kategoriale Prädiktoren muss die Anzahl der Ereignisse in jeder Ebene groß genug sein, damit die asymptotische Verteilung gültig ist.

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.