Tableau des tests d'adéquation de l'ajustement pour Ajuster le modèle de Cox sous forme de processus de comptage

Minitab Statistical Software propose 3 tests de qualité d’ajustement : le test wald global, le test du rapport de vraisemblance global et le test de score global. S’il n’y a pas de temps d’événement égal, le test de score est identique au test de classement de journal bien connu. Dans une analyse avec des clusters, Minitab ne fournit pas le test du rapport de vraisemblance global car ce test suppose que les observations au sein des clusters sont indépendantes. L’interprétation des statistiques est la même pour les 3 tests.

DL

Les degrés de liberté pour les tests de qualité d’ajustement sont la somme des degrés de liberté pour les termes du modèle. est faible et proche du nombre de paramètres du modèle.

Khi deux

Chaque test de qualité d’ajustement a une statistique du chi carré. La valeur de Khi deux est la statistique de test qui détermine si un terme ou un modèle est associé avec la réponse.

Minitab utilise la statistique de Khi deux pour calculer la valeur de p, qui vous permet de déterminer si des termes sont significatifs et de choisir le modèle approprié. La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude. Une statistique de Khi deux suffisamment élevée engendre une petite valeur de p, indiquant que le terme ou le modèle est statistiquement significatif.

Valeur de p

La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude.

Interprétation

Les tests d'adéquation de l'ajustement permettent de déterminer si une loi statistique est ajustée à vos données. L'hypothèse nulle est que le modèle s'ajuste aux données de manière adéquate. En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 indique qu'il existe un risque de 5 % de conclure à tort que le coefficient n'est pas 0.

Dans l’hypothèse nulle, la statistique de test pour chaque test a une distribution asymptotique du chi carré avec des degrés de liberté égaux au nombre de coefficients dans le modèle. La distribution asymptotique est valide lorsque le nombre d’événements observés est important par rapport au nombre de paramètres estimés. Pour les prédicteurs catégoriels, le nombre d’événements dans chaque niveau doit être suffisamment important pour que la distribution asymptotique soit valide.

Valeur de p ≤ α : Le modèle s'ajuste relativement bien aux données.: Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez en conclure qu'il existe une différence statistiquement significative entre les modèles. Vous devez examiner si l’un des termes est statistiquement significatif et vous assurer que le modèle satisfait à l’hypothèse des dangers proportionnels.
Valeur de p > α : Il n'existe pas assez de preuves pour conclure que l'effet présente une différence significative.: Si la valeur de p est supérieure au seuil de signification, vous ne pouvez pas en conclure que la différence de conditions modifie la réponse. Il est sans doute nécessaire de réajuster le modèle sans le terme.