고정 예측 변수만 있는 Cox 모형 적합 에 대한 분산 분석표

ANOVA 테이블의 테스트 유형은 분석 사양에 따라 다릅니다. 통계해석은 분석이 Wald 테스트, 가능성 비율 테스트 또는 점수 테스트를 사용하는지 여부와 동일합니다.

이 항목의 내용

DF
카이-제곱
P-값

DF

자유도(DF)는 관련 치스퀘어 테스트 통계의 분포에 대한 정보를 제공합니다. 연속 예측 변수는 1정도의 자유를 사용합니다. 범주형 예측변수는 영하 1레벨 수와 동일한 자유도를 사용합니다. 고차 약관은 구성 요소 조건에 대한 자유도의 제품을 사용합니다.

카이-제곱

분산 분석표의 각 항에는 카이-제곱 값이 있습니다. 카이-제곱 값은 항 또는 모형이 반응과 관계가 있는지 결정하는 검정 통계량입니다.

해석

Minitab에서는 카이-제곱 통계량을 사용하여 항과 모형의 통계적 유의성에 대한 결정을 내릴 때 사용하는 p-값을 계산합니다. p-값은 귀무 가설에 반하는 증거를 측정하는 확률입니다. p-값이 작을수록 귀무 가설에 반하는 더 강력한 증거가 됩니다. 카이-제곱 통계량이 충분히 크면 p-값이 작은 결과로 이어지며, 이는 항이나 모형이 통계적으로 유의함을 나타냅니다.

P-값

p-값은 귀무 가설에 반하는 증거를 측정하는 확률입니다. p-값이 작을수록 귀무 가설에 반하는 더 강력한 증거가 됩니다.

해석

반응과 모형의 각 항 간의 연관성이 통계적으로 유의한지 여부를 확인하려면 항에 대한 p-값을 유의 수준과 비교하여 귀무 가설을 평가합니다. 귀무 가설은 항의 계수가 0으로, 항과 반응 간에 연관성이 없다는 것을 나타냅니다. 일반적으로 0.05의 유의 수준(α 또는 알파로 표시됨)이 적절합니다. 0.05의 유의 수준은 실제로 연관성이 없는데 연관성이 존재한다는 결론을 내릴 위험이 5%라는 것을 나타냅니다.

null 가설에 따라 각 테스트의 테스트 통계는 모델의 계수 수와 동일한 자유도를 가진 음경 치 스퀘어 분포를 가지고 있습니다. 예상 매개 변수 수에 비해 관찰된 이벤트 수가 클 때 비약 분포가 유효합니다. 범주형 예측변수의 경우 각 레벨의 이벤트 수가 확장 분포가 유효할 만큼 충분히 커야 합니다.

P-값 ≤ α: 연관성이 통계적으로 유의함: p-값이 유의 수준보다 작거나 같으면 반응 변수와 항 간에 통계적으로 유의한 연관성이 있다는 결론을 내릴 수 있습니다.
P-값 > α: 연관성이 통계적으로 유의하지 않음: p-값이 유의 수준보다 크면 반응 변수와 항 간에 통계적으로 유의한 연관성이 있다는 결론을 내릴 수 없습니다. 항 없이 모형을 다시 적합시킬 수도 있습니다.; 반응과 통계적으로 유의한 연관성이 없는 예측 변수가 여러 개 있는 경우 한 번에 하나씩 항을 줄여 모형을 축소할 수 있습니다. 모형에서 항을 제거하는 방법은 모형 축소 에서 확인하십시오.

모형 항이 통계적으로 유의하면 해석은 항의 유형에 따라 다릅니다. 해석은 다음과 같습니다.

변량 요인이 유의하면 요인이 반응의 변동에 기여한다는 결론을 내릴 수 있습니다.
교호작용 항이 유의하면 요인과 반응의 관계가 항의 다른 요인에 따라 다릅니다. 이 경우에는 교호작용 효과를 고려하지 않고 주효과를 해석해서는 안 됩니다.
공변량이 통계적으로 유의하면 공변량 값의 변화가 평균 반응 값의 변화와 연관성이 있다는 결론을 내릴 수 있습니다.
다항식 항에 대한 계수가 유의하면 데이터에 곡면성이 포함되어 있다는 결론을 내릴 수 있습니다.

분산 분석

		Wald 검정
출처	DF	카이-제곱	P-값
나이	1	1.78	0.182
무대	3	17.92	0.000

이 결과에서 단계에 대한 p-값은 α-수준 0.05에서 유의합니다. 따라서, 암의 단계는 환자의 생존에 통계적으로 유의한 영향을 미친다는 결론을 내릴 수 있다. 그러나 연령의 p-값은 0.182이므로 연령의 효과는 α 수준에서 0.05입니다.