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
- 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 | p-Wert |
|---|---|---|---|
| Likelihood-Quotient | 4 | 18,31 | 0,001 |
| Wald | 4 | 21,15 | 0,000 |
| Wert | 4 | 24,78 | 0,000 |
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
- 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 ein Zufallsfaktor signifikant ist, können Sie schlussfolgern, dass der Faktor zum Grad der Streuung in der Antwortvariablen beiträgt.
- 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 |
| Alter | 1 | 1,78 | 0,182 |
| Bühne | 3 | 17,92 | 0,000 |
Wichtigste Ergebnisse: p-Wert
In diesen Ergebnissen ist der p-Wert für das Stadium bei einem α-Wert von 0,05 signifikant. Daher können Sie daraus schließen, dass das Stadium des Krebses einen statistisch signifikanten Einfluss auf das Überleben des Patienten hat. Der p-Wert für das Alter beträgt jedoch 0,182, so dass der Effekt des Alters bei einem α-Niveau von 0,05.
Schritt 3: Bestimmen Sie die relativen Risiken der Prädiktoren
- 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 im Stadium IV zu erleben, 5,5-mal höher als das Risiko für Patienten im Stadium I.
- 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. Zum Beispiel ist in den folgenden Ergebnissen ein Patient 1,02-mal wahrscheinlicher, das Ereignis für jede Erhöhung von 1 Jahr bis zu seinem Alter zu erleben.
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 stetige Prädiktoren
| Änderungseinheit | Relatives Risiko | 95%-KI | |
|---|---|---|---|
| Alter | 1 | 1,0192 | (0,9911; 1,0481) |
Relative Risiken für kategoriale Prädiktoren
| Stufe A | Stufe B | Relatives Risiko | 95%-KI |
|---|---|---|---|
| Bühne | |||
| II | I | 1,1503 | (0,4647; 2,8477) |
| III | I | 1,9010 | (0,9459; 3,8204) |
| IV | I | 5,5068 | (2,4086; 12,5901) |
| III | II | 1,6526 | (0,6819; 4,0049) |
| IV | II | 4,7872 | (1,7825; 12,8566) |
| IV | III | 2,8968 | (1,2952; 6,4788) |
Wichtigste Ergebnisse: Relatives Risiko, 95% KI
Schritt 4: Bestimmen, ob das Modell die Annahme proportionaler Gefahren erfüllt
- 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.
- Arjas Grundstück
-
Verwenden Sie das Arjas-Diagramm, um zu bestimmen, ob das Modell die Annahme proportionaler Gefahren für einen kategorialen Prädiktor erfüllt. Wenn die Kurven auf dem Diagramm von der 45-Grad-Linie abweichen, erfüllt das Modell nicht die Annahme proportionaler Gefahren für den Prädiktor.
Wenn das Modell die Annahme für eine Variable nicht erfüllt, versuchen Sie stattdessen, die Variable als Schichtungsvariable zu verwenden.
- 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 |
|---|---|---|---|---|
| Alter | 1 | 0,1328 | 1,18 | 0,278 |
| Bühne | ||||
| II | 1 | -0,0104 | 0,01 | 0,940 |
| III | 1 | -0,2445 | 2,86 | 0,091 |
| IV | 1 | -0,1193 | 0,63 | 0,426 |
| Gesamt | 4 | — | 4,61 | 0,330 |
Wichtigste Ergebnisse: P-Wert, Arjas-Diagramm
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.
Das Arjas-Diagramm zeigt die kumulativen Gefahrenraten im Vergleich zur Anzahl der Ereignisse für jede Ebene von Bühne an. In diesem Arjas-Diagramm folgen die Linien im Allgemeinen der 45-Grad-Linie, so dass Sie daraus schließen können, dass das Modell die proportionale Gefahrenannahme für den Prädiktor Bühne erfüllt.
