Die Fußnote zur Tabelle gibt die Transformation der Ereigniszeiten für den Test an. Überlegen Sie, ob Sie zusätzliche Transformationen für Ihre Analyse ausprobieren möchten, insbesondere wenn die Restplots Ausreißer in den Daten aufweisen.
Jeder Koeffizient im Modell verwendet 1 Freiheitsgrad. Die Freiheitsgrade für den Gesamttest für die proportionalen Gefahren sind gleich der Summe der Freiheitsgrade für die Koeffizienten im Modell.
Die Korrelation misst die Stärke der linearen Assoziation zwischen den skalierten Schönfeld-Residuen für einen Koeffizienten und der Funktion der Ereigniszeiten für den Test. Größere Korrelationen deuten auf mehr Evidenz gegenüber der proportionalen Gefahrenannahme hin. Verwenden Sie den p-Wert, um den Test in Bezug auf die Unsicherheit in den Daten formal zu interpretieren.
Jeder Term in der ANOVA-Tabelle weist einen Chi-Quadrat-Wert auf. Der Gesamttest hat auch einen Chi-Quadrat-Wert. Der Chi-Quadrat-Wert ist die Teststatistik, die die proportionale Gefahrenannahme bewertet. Eine hinreichend große Chi-Quadrat-Statistik führt zu einem kleinen p-Wert, der darauf hinweist, dass der Term oder das Modell statistisch signifikant ist.
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.
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 %.