Interpréter des résultats principaux pour Ajuster le modèle de Cox sous forme de processus de comptage

Effectuez les étapes suivantes pour interpréter un modèle de régression de Cox dans un formulaire de processus de comptage. Les principaux résultats comprennent les tests de qualité d’ajustement, les valeurs de p, les risques relatifs et les outils de diagnostic graphique.

Sur ce thème

Etape 1 : Déterminer l'ajustement du modèle à vos données
Étape 2 : Déterminer si l'association entre la réponse et le terme est statistiquement significative
Étape 3 : Déterminer les risques relatifs des prédicteurs
Etape 4 : Déterminer si le modèle satisfait à l’hypothèse des dangers proportionnels

Etape 1 : Déterminer l'ajustement du modèle à vos données

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.

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.

Tests d'adéquation de l'ajustement

Test	DL	Khi deux
Rapport de vraisemblance	4	29,39
Wald	4	32,47
Score	4	35,22

Principaux résultats : Valeur de P

Dans ces résultats, les valeurs de p pour les 3 tests sont inférieures à 0,05, vous pouvez donc conclure que le modèle correspond bien aux données.

Étape 2 : Déterminer si l'association entre la réponse et le terme est statistiquement significative

Pour déterminer si l'association entre la réponse et chacun des termes du modèle est statistiquement significative, comparez la valeur de p du terme à votre seuil de signification pour évaluer l'hypothèse nulle. L'hypothèse nulle est qu'il n'existe aucune association entre le terme et la réponse. En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 indique un risque de 5% de conclure à tort qu'il existe une association.

Valeur de p ≤ α : l'association est statistiquement significative: Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez conclure qu'il existe une association statistiquement significative entre la variable de réponse et le terme.
Valeur de p > α : l'association n'est pas statistiquement significative: Si la valeur de p est supérieure au seuil de signification, vous ne pouvez pas conclure qu'il existe une association statistiquement significative entre la variable de réponse et le terme. Il est sans doute nécessaire de réajuster le modèle sans le terme.; Si plusieurs prédicteurs ne présentent aucune association statistiquement significative avec la réponse, vous pouvez réduire le modèle en supprimant ces termes un par un. Pour plus d'informations sur la suppression de termes d'un modèle, accédez à Réduction du modèle.

Si un terme d'un modèle est statistiquement significatif, l'interprétation dépend du type de terme concerné. Les interprétations sont les suivantes :

Si un facteur catégorique est important, vous pouvez conclure que le facteur a un effet sur le délai d’organisation de l’événement.
Si une covariable est statistiquement significative, vous pouvez en conclure qu'une variation de la valeur de la covariable entraîne une variation de la valeur de réponse moyenne.
Si un terme d'interaction est significatif, la relation entre l'un des facteurs et la réponse dépend des autres facteurs du terme. Dans ce cas, vous ne devez pas interpréter les effets principaux sans prendre en compte l'effet d'interaction.
Si un terme polynomial est significatif, vous pouvez en conclure que les données contiennent une courbure.

Analyse de la variance

		Test de Wald
Source	DL	Khi deux	Valeur de p
Catégorie de risque	2	9,77	0,008
Plaquettes normales	1	9,13	0,003
Stade de la maladie	1	6,41	0,011

Principaux résultats : Valeur de P

Dans ces résultats, la valeur de p Catégorie de risque est significative à un niveau de 0,05. Par conséquent, vous pouvez conclure que le Catégorie de risque a un effet statistiquement significatif sur le fait que le patient est exempt de maladie. Vous pouvez tirer la même conclusion à propos de Plaquettes normales et Stade de la maladie.

Étape 3 : Déterminer les risques relatifs des prédicteurs

Utilisez le risque relatif pour évaluer le risque entre différentes valeurs des variables prédictives. Minitab affiche un tableau distinct des risques relatifs pour les variables catégorielles et continues.

Variable de catégorie: Dans le tableau Risques relatifs pour les prédicteurs catégoriels, Minitab étiquette deux niveaux de la variable catégorielle comme étant le niveau A et le niveau B. Le risque relatif décrit le taux d’occurrence de l’événement pour le niveau A par rapport au niveau B. Par exemple, dans les résultats suivants, le risque de subir l’événement pour les patients avec un Risque élevé for Stade de la maladie est 2 fois plus élevé que pour les patients avec un Stade de la maladie de Normal.
Variable continue: Dans le tableau Risques relatifs pour les prédicteurs continus, Minitab affiche l’unité de changement et le risque relatif. Le risque relatif décrit la variation du taux de danger pour chaque unité de variation de la valeur du prédicteur. Par exemple, si le risque relatif est de 1,02 pour l’âge variable, un patient est 1,02 fois plus susceptible de subir l’événement pour chaque augmentation de 1 an jusqu’à son âge.

Vous pouvez utiliser l’intervalle de confiance pour déterminer si le risque relatif est statistiquement significatif. Habituellement, si l’intervalle de confiance contient 1, vous ne pouvez pas conclure que le risque relatif est statistiquement significatif.

Risques relatifs pour les prédicteurs de catégorie

Niveau A	Niveau B	Risque relatif	IC à 95 %
Catégorie de risque
2	1	0,4524	(0,2409; 0,8495)
3	1	0,9673	(0,5116; 1,8290)
3	2	2,1383	(1,2487; 3,6616)
Plaquettes normales
Oui	Non	0,3666	(0,1912; 0,7029)
Stade de la maladie
Normal	Risque élevé	0,4986	(0,2909; 0,8547)

Principaux résultats : Risque relatif, IC à 95 %

Etape 4 : Déterminer si le modèle satisfait à l’hypothèse des dangers proportionnels

Utilisez le tableau Tests pour les dangers proportionnels, le diagramme d’Andersen et le diagramme d’Arjas pour déterminer si le modèle répond à l’hypothèse des dangers proportionnels. Si elles ne le sont pas, il se peut que le modèle ne soit pas ajusté aux données et vous devez être prudent lors de l'interprétation des résultats.

Tableau des essais pour les dangers proportionnels

Utilisez les tests pour déterminer si le modèle répond à l’hypothèse des dangers proportionnels. L’hypothèse nulle est que le modèle répond à l’hypothèse pour tous les prédicteurs. En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 indique 5 % de risques de conclure à tort que le modèle explique la variation dans la réponse.

Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez en conclure que le modèle ne rend pas correctement compte de la relation. Si la valeur de p est supérieure au seuil de signification, vous ne pouvez pas conclure que le modèle explique la variation dans la réponse.

Intrigue d’Andersen

Utilisez le diagramme d’Andersen pour déterminer si le modèle répond à l’hypothèse des risques proportionnels pour différentes strates. Chaque combinaison de valeurs d’une ou plusieurs variables de stratification définit une strate. Le graphique contient une courbe pour chaque strate. Si le modèle répond à l’hypothèse, les courbes sont des lignes droites passant par le point où X = 0 et Y = 0. Si le taux de danger de référence pour une strate est le même que le taux de danger de référence pour la strate sur l’axe des x, la courbe suit la ligne de référence de 45 degrés sur le graphique.

Si le modèle ne répond pas à l’hypothèse, demandez-vous s’il faut diviser les données par la variable de stratification pour laquelle le modèle ne répond pas à l’hypothèse des risques proportionnels. Effectuez ensuite une analyse distincte sur chaque sous-ensemble de données. Les analyses distinctes fournissent des effets différents pour les prédicteurs de chaque sous-ensemble.

Tests de risques proportionnels

Terme	DL	Corrélation	Khi deux	Valeur de p
Catégorie de risque
2	1	0,0757	0,54	0,464
3	1	-0,1160	1,08	0,300
Plaquettes normales
Oui	1	0,0296	0,09	0,769
Stade de la maladie
Normal	1	-0,1205	1,30	0,255
Global	4	—	5,42	0,247

Principaux résultats : Valeur de p

Dans ces résultats, les valeurs de p pour l’essai pour les dangers proportionnels sont toutes supérieures à 0,05, de sorte que vous ne pouvez pas conclure que le modèle ne répond pas à l’hypothèse des dangers proportionnels.