이 항목의 내용
1단계: 모형이 데이터를 얼마나 잘 적합시키는지 확인
- P-값 ≤ α: 모형이 데이터를 적절히 적합해야 함
- p-값이 유의 수준보다 작거나 같으면 모형 간의 차이가 통계적으로 유의하다는 결론을 내릴 수 있습니다. 용어중 어느 것이 통계적으로 유의하고 모델이 비례 위험 가정을 준수하는지 확인해야 합니다.
- P-값 > α: 효과가 통계적으로 유의하다는 결론을 내릴 수 있는 충분한 증거가 없습니다.
- p-값이 유의 수준보다 크면 서로 다른 조건에 따라 반응이 달라진다는 결론을 내릴 수 없습니다. 항 없이 모형을 다시 적합시킬 수도 있습니다.
적합도 검정
| 검정 | DF | 카이-제곱 | P-값 |
|---|---|---|---|
| 우도 비 | 4 | 18.31 | 0.001 |
| Wald | 4 | 21.15 | 0.000 |
| 점수 | 4 | 24.78 | 0.000 |
주요 결과: P-값
이러한 결과 3개의 테스트 모두에 대한 p-값은 0.05 미만이므로 모델이 데이터에 잘 맞는다는 결론을 내릴 수 있습니다.
2단계: 반응과 항 사이의 연관성이 통계적으로 유의한지 확인
- 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.
- 변량 요인이 유의하면 요인이 반응의 변동에 기여한다는 결론을 내릴 수 있습니다.
- 공변량이 통계적으로 유의하면 공변량 값의 변화가 평균 반응 값의 변화와 연관성이 있다는 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.
- 다항식 항이 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 |
주요 결과: P-값
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.
3단계: 예측 변수의 상대적 위험 결정
- 범주형 변수
-
범주 예측 변수 테이블에 대한 상대 위험 테이블에서 Minitab은 범주 변수의 두 레벨을 레벨 A 및 레벨 B로 레이블을 지정합니다. 상대적 위험은 레벨 B에 비해 레벨 A에 대한 이벤트의 발생 률을 설명합니다. 예를 들어, 다음 결과에서 단계 IV에서 환자를 위한 사건을 경험하는 리스크는 단계 I에 있는 환자를 위한 리스크 보다는 5.5 시간 더 높습니다.
- 계량형 변수
- 연속 예측 변수 테이블에 대한 상대 위험 테이블에서 Minitab은 변경 단위와 상대적 위험을 표시합니다. 상대적 위험은 예측 변수 값의 모든 단일 변경 단위에 대한 위험 비율의 변화를 설명합니다. 예를 들어, 다음 결과에서 환자는 1년마다 1년마다 증가할 때마다 이벤트를 경험할 확률이 1.02배 더 높습니다.
신뢰도 간격을 사용하여 상대 위험이 통계적으로 유의하는지 여부를 확인할 수 있습니다. 일반적으로 신뢰 간격에 1이 포함된 경우 상대 위험이 통계적으로 유의하다고 단정할 수 없습니다.
계량형 예측 변수에 대한 상대적 위험
| 변경 단위 | 상대적 위험 | 95% CI | |
|---|---|---|---|
| 나이 | 1 | 1.0192 | (0.9911, 1.0481) |
범주형 예측 변수에 대한 상대적 위험
| 수준 A | 수준 B | 상대적 위험 | 95% CI |
|---|---|---|---|
| 무대 | |||
| 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) |
주요 결과: 상대 위험, 95% CI
4단계: 모델이 비례 위험 가정을 수시하는지 확인
- 비례 위험 요소 표 테스트
-
테스트를 사용하여 모델이 비례 위험 가정을 충족하는지 여부를 결정합니다. null 가설은 모델이 모든 예측 변수에 대한 가정을 충족한다는 것입니다. 일반적으로 0.05의 유의 수준(α 또는 알파로 표시됨)이 적절합니다. 0.05의 유의 수준은 추가 모수가 실제로 분포를 유의하게 개선하지 않지만 개선한다는 결론을 내릴 위험이 5%라는 것을 나타냅니다.
p-값이 유의 수준보다 작거나 같으면 모형이 관계를 올바르게 지정하지 않는다는 결론을 내립니다. p-값이 유의 수준보다 크면 모형이 반응의 변동을 설명한다는 결론을 내릴 수 없습니다.
- 아르하스 플롯
-
Arjas 플롯을 사용하여 모델이 범주형 예측변수의 비례 위험 가정을 충족하는지 여부를 결정합니다. 플롯의 곡선이 45도 선과 다른 경우 모델은 예측변수에 대한 비례 위험 가정을 충족하지 않습니다.
모델이 변수에 대한 가정을 충족하지 않는 경우 변수를 계층화 변수로 사용해 보십시오.
- 앤더슨 플롯
-
Andersen 플롯을 사용하여 모델이 서로 다른 지층에 대한 비례 위험 가정을 충족하는지 여부를 결정합니다. 하나 이상의 계층화 변수의 값의 각 조합은 계층을 정의합니다. 플롯에는 각 계층에 대한 곡선이 포함되어 있습니다. 모델이 가정을 충족하는 경우 곡선은 X = 0 및 Y = 0이 있는 점을 통과하는 직선입니다. 계층의 기준 위험 률이 x 축의 계층에 대한 기준 위험 률과 동일한 경우 곡선은 플롯의 45도 기준선을 따릅니다.
모델이 가정을 충족하지 않는 경우 모델이 비례 위험 가정을 충족하지 않는 계층화 변수로 데이터를 분할할지 여부를 고려합니다. 그런 다음 데이터의 각 하위 집합에 대해 별도의 분석을 수행합니다. 별도의 분석은 각 하위 집합의 예측 변수에 대해 서로 다른 효과를 제공합니다.
비례 위험 검정
| 항 | DF | 상관계수 | 카이-제곱 | P-값 |
|---|---|---|---|---|
| 나이 | 1 | 0.1328 | 1.18 | 0.278 |
| 무대 | ||||
| II | 1 | -0.0104 | 0.01 | 0.940 |
| III | 1 | -0.2445 | 2.86 | 0.091 |
| IV | 1 | -0.1193 | 0.63 | 0.426 |
| 전체 | 4 | — | 4.61 | 0.330 |
주요 결과: P 값, 아르하스 플롯
이러한 결과 비례 위험 테스트의 p-값은 모두 0.05보다 크므로 모델이 비례 위험 가정을 충족하지 못한다고 단정할 수 없습니다.
Arjas 플롯은 각 레벨의 이벤트 수에 비해 누적 위험률을 무대표시합니다. 이 Arjas 플롯에서 선은 일반적으로 45도 선을 따르므로 모델이 예측변수에 대한 비례 위험 가정을 충족한다고 결론을 내릴 수 무대있습니다.
