Tabelle "Tests für proportionale Gefahren" für Cox-Modell nur mit festen Prädiktoren anpassen

Hier finden Sie Definitionen und Anleitungen zur Interpretation für jede Statistik in der Tabelle der Anpassungen und Bewertungen.

In diesem Thema

DF
Korrelation
Chi-Quadrat
p-Wert

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.

DF

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.

Korrelation

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.

Chi-Quadrat

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.

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 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 %.

F-Gesamttest: Die Nullhypothese ist, dass die Wirkung aller Begriffe im Modell der Annahme proportionaler Gefahren entspricht. Wenn der p-Wert kleiner als Ihr Signifikanzniveau ist, gibt es statistische Hinweise darauf, dass mindestens ein Begriff gegen die Proportional hazards-Annahme verstößt. Untersuchen Sie die Tests der einzelnen Begriffe, um festzustellen, welche Begriffe für den Verstoß verantwortlich sind.
Test für einen Begriff: Die Nullhypothese ist, dass die Wirkung des Begriffs der proportionalen Gefahrenannahme entspricht. Wenn der p-Wert größer als das Signifikanzniveau ist, können Sie schlussfolgern, dass keine statistisch signifikante Assoziation vorliegt, und die Interpretation ist damit abgeschlossen. Wenn der Test einen Verstoß feststellt, sollten Sie die skalierten Schönfeld-Residuen speichern, um sie mit den Ereigniszeiten und transformierten Ereigniszeiten zu verrechnen. Verwenden Sie Diagramme der skalierten Schönfeld-Residuen, um Ursachen der Nichtproportionalität zu identifizieren, z. B. einen abnehmenden oder zunehmenden Effekt. In einigen Fällen verschwindet die Unverhältnismäßigkeit durch das Hinzufügen von Interaktionsbegriffen oder die Verwendung von Begriffen zur Bildung von Schichten.