Tabla de coeficientes para Ajuste el Modelo de Cox con Predictores Fijos solamente

Búsqueda de definiciones y guías de interpretación para todas las estadísticas de la tabla de coeficientes.

Coef

Un coeficiente de regresión describe el tamaño y la dirección de la relación entre un predictor y la puntuación de riesgo. Los coeficientes son los números por los cuales se multiplican los valores del término en una ecuación de regresión.

Interpretación

Utilice el coeficiente para determinar si un cambio en una variable predictora hace que el evento sea más o menos probable. Por lo general, los coeficientes positivos hacen que el evento sea más probable y los coeficientes negativos hacen que el evento sea menos probable. Un coeficiente estimado cercano a 0 implica que el efecto del predictor es pequeño. Para un predictor categórico, la interpretación depende de la codificación.

Predictores continuos
El coeficiente estimado para un predictor representa el cambio en la puntuación de riesgo por cada cambio unitario del predictor, mientras que el resto de los predictores del modelo se mantienen constantes.
Predictores categóricos con codificación 1,0
El coeficiente es el cambio estimado en la puntuación de riesgo cuando existe un cambio del nivel de referencia al nivel del coeficiente. Por ejemplo, una variable categórica tiene los niveles Rápido y Lento. El nivel de referencia es Lento. Si el coeficiente de Rápido es 1.3, entonces el cambio en la variable de Lento a Rápido aumenta la puntuación de riesgo en 1.3.
Predictores categóricos con codificación 1, 0, -1
El coeficiente es el cambio estimado en la puntuación de riesgo cuando existe un cambio de la media de la puntuación de riesgo al nivel del coeficiente. Por ejemplo, una variable categórica tiene los niveles Antes del cambio y Después del cambio. Si el coeficiente de Después del cambio es −2.1, entonces la puntuación de riesgo disminuye 2.1 con respecto al promedio cuando la variable es igual a Después de cambio.

EE Coef

El error estándar del coeficiente estima la variabilidad entre las estimaciones del coeficiente que se obtendrían si se tomara las muestras de la misma población una y otra vez. El cálculo asume que el tamaño de la muestra y los coeficientes a estimar se mantendrían iguales si se tomara la muestra una y otra vez.

Interpretación

Utilice el error estándar del coeficiente para medir la precisión de la estimación del coeficiente. Cuanto menor sea el error estándar, más precisa será la estimación.

Intervalo de confianza para el coeficiente (IC de 95%)

Estos intervalos de confianza (IC) son rangos de valores que es probable que contengan el verdadero valor del coeficiente para cada término incluido en el modelo. El cálculo de los intervalos de confianza utiliza la distribución normal. El intervalo de confianza es exacto si el tamaño de la muestra es lo suficientemente grande como para que la distribución del coeficiente de la muestra siga una distribución normal.

Puesto que las muestras son aleatorias, es poco probable que dos muestras de una población produzcan intervalos de confianza idénticos. Sin embargo, si toma muchas muestras aleatorias, un determinado porcentaje de los intervalos de confianza resultantes incluirá el parámetro de población desconocido. El porcentaje de estos intervalos de confianza que contiene el parámetro es el nivel de confianza del intervalo.

El intervalo de confianza consta de las dos partes siguientes:
Estimación de punto
Este valor individual estima un parámetro de población usando los datos de la muestra. El intervalo de confianza está centrado alrededor de la estimación de punto.
Margen de error
El margen de error define el ancho del intervalo de confianza y es determinado por la variabilidad observada en la muestra, el tamaño de la muestra y el nivel de confianza. Para calcular el límite superior del intervalo de confianza, el margen de error se suma a la estimación de punto. Para calcular el límite inferior del intervalo de confianza, el margen de error se resta de la estimación de punto.

Interpretación

Utilice el intervalo de confianza para evaluar la estimación del coeficiente de la población para cada término en el modelo.

Por ejemplo, con un nivel de confianza de 95 %, se puede estar un 95 % seguro de que el intervalo de confianza contiene el valor del coeficiente para la población. El intervalo de confianza ayuda a evaluar la significancia práctica de los resultados. Utilice el conocimiento especializado para determinar si el intervalo de confianza incluye valores que tienen significancia práctica para su situación. Si el intervalo es demasiado amplio para ser útil, considere aumentar el tamaño de la muestra.

Valor z

El valor Z es una estadística de prueba que mide la relación entre el coeficiente y su error estándar.

Interpretación

Minitab utiliza el valor Z para calcular el valor p, que se usa para tomar una decisión acerca de la significancia estadística de los términos y el modelo. La prueba es exacta cuando el tamaño de la muestra es lo suficientemente grande como para que la distribución de los coeficientes de la muestra siga una distribución normal.

Un valor z lo suficientemente lejano a 0 indica que la estimación del coeficiente es suficientemente grande y precisa para ser estadísticamente diferente a 0. En cambio, un valor z cercano a 0 indica que la estimación del coeficiente es demasiado pequeña o demasiado imprecisa para tener la seguridad de que el término tiene un efecto en la puntuación de riesgo.

Valor p

El valor p es una probabilidad que mide la evidencia en contra de la hipótesis nula. Las probabilidades más bajas proporcionan una evidencia más fuerte en contra de la hipótesis nula.

Interpretación

Para determinar si la asociación entre la puntuación de riesgo y cada término del modelo es estadísticamente significativa, compare el valor p del término con su nivel de significancia para evaluar la hipótesis nula. La hipótesis nula indica que el coeficiente del término es igual a cero, lo cual implica que no existe asociación entre el término y la puntuación de riesgo. Por lo general, un nivel de significancia (denotado como α o alfa) de 0.05 funciona adecuadamente. Un nivel de significancia de 0.05 indica un riesgo de 5% de concluir que existe una asociación cuando no hay una asociación real.
Valor p ≤ α: La asociación es estadísticamente significativa
Si el valor p es menor que o igual al nivel de significancia, es posible concluir que existe una asociación estadísticamente significativa entre la puntuación de riesgo y el término.
Valor p > α: La asociación no es estadísticamente significativa
Si el valor p es mayor que el nivel de significancia, no es posible concluir que existe una asociación estadísticamente significativa entre la puntuación de riesgo y el término. Le convendría reajustar el modelo sin el término.
Si existen múltiples predictores sin una asociación estadísticamente significativa con la puntuación de riesgo, puede reducir el modelo eliminando un término a la vez. Para obtener más información sobre cómo eliminar términos del modelo, vaya a Reducción del modelo.
Si un término del modelo es estadísticamente significativo, la interpretación depende del tipo de término. Las interpretaciones son las siguientes:
  • Si un factor aleatorio es significativo, es posible concluir que el factor tiene un efecto en el tiempo requerido para que ocurra el evento.
  • Si un predictor continuo es significativo, es posible concluir que los cambios en el valor del predictor están asociados a los cambios en el riesgo de que el sujeto experimente el evento.
  • Si un término de interacción es significativo, la relación entre un factor y la respuesta depende del nivel del resto de los factores incluidos en el término. En este caso, usted no debe interpretar los efectos principales sin considerar el efecto de interacción.
  • Si un coeficiente de un término polinómico es significativo, usted puede concluir que los datos contienen curvatura.