Tabela Coeficientes de Ajuste Modelo de Cox em Formato de Processo de Contagem

Encontre definições e orientações de interpretação para cada estatística na tabela Coeficientes.

Neste tópico

Coef.
Coeficiente de SE
Intervalo de confiança para coeficiente (IC de 95%)
Valor Z
Valor-P

Coef.

Um coeficiente de regressão descreve o tamanho e a direção da relação entre um preditor e variável de resposta. Os coeficientes são os números pelos quais os valores do termo são multiplicados em uma equação de regressão.

Interpretação

Use o coeficiente para determinar se uma mudança na variável preditora pode tornar o evento mais ou menos provável. Geralmente, os coeficientes positivos tornam o evento mais provável e os coeficientes negativos tornam o evento menos provável. Um coeficiente estimado próximo de 0 sugere que o efeito do preditor é pequeno. Para um preditor categórico, a interpretação depende da codificação.

Preditores contínuos: O coeficiente estimado para uma preditora representa a mudança na função de ligação para cada mudança de unidade na preditora, enquanto as outras preditoras no modelo são consideradas constantes.
Preditoras categóricas com codificação 1,0: O coeficiente de uma preditora contínua é a mudança estimada no log natural das chances quando você muda do nível de referência para o nível de coeficiente. Por exemplo, uma variável categórica possui os níveis Rápido e Lento. O nível de referência é homem. Se o coeficiente para Rápido é 1,3, uma mudança na variável de Lento para Rápido aumenta o log natural das chances do evento em 1,3.
Preditoras categóricas com codificação 1, 0, -1: O coeficiente é a mudança estimada no log natural das chances quando você muda da média do log natural das chances para o nível do coeficiente. Por exemplo, uma variável categórica tem os níveis Antes da mudança e Depois da mudança. Se o coeficiente de Após a mudança é −2,1, o log natural das chances do evento diminui em 2,1 da média quando a variável é igual a Após a mudança.

Coeficiente de SE

O erro padrão do coeficiente estima a variabilidade entre a estimativa do coeficiente que seria obtida caso fossem extraídas amostras da mesma população por vezes seguidas. O cálculo pressupõe que o tamanho da amostra e os coeficientes para estimativa permaneceriam os mesmos caso fossem extraídas repetidas amostras.

Interpretação

Use o erro padrão do coeficiente para medir a precisão da estimativa do coeficiente. Quanto menor o erro padrão, mais precisa é a estimativa.

Intervalo de confiança para coeficiente (IC de 95%)

Esses intervalos de confiança (IC) são intervalos de valores que provavelmente contêm o o valor verdadeiro do coeficiente para cada termo no modelo. O cálculo dos intervalos de confiança usa a distribuição normal. O intervalo de confiança é exato se o tamanho da amostra é grande o suficiente de forma que a distribuição do coeficiente da amostra siga uma distribuição normal.

Como as amostras são aleatórias, é improvável que duas amostras de uma população produzam intervalos de confiança idênticos. No entanto, se você extrair muitas amostras aleatórias, uma determinada porcentagem dos intervalos de confiança resultantes conterá o parâmetro populacional desconhecido. A porcentagem destes intervalos de confiança que contém o parâmetro é o nível de confiança do intervalo.

O intervalo de confiança é composto pelas duas partes a seguir:

Estimativa de ponto: Este valor único estima um parâmetro populacional usando os seus dados amostrais. O intervalo de confiança é centrado em torno da estimativa pontual.
Margem de erro: A margem de erro define a largura do intervalo de confiança e é determinada pela variabilidade observada na amostra, o tamanho da amostra e o nível de confiança. Para calcular o limite superior do intervalo de confiança, a margem de erro é adicionada à estimativa pontual. Para calcular o limite inferior do intervalo de confiança, a margem de erro é subtraída da estimativa pontual.

Interpretação

Use o intervalo de confiança para avaliar a estimativa do coeficiente de população para cada termo no modelo.

Por exemplo, com um nível de confiança de 95%, é possível ter 95% de certeza de que o intervalo de confiança contém o valor do coeficiente para a população. O intervalo de confiança ajuda a avaliar a significância prática de seus resultados. Use seu conhecimento especializado para determinar se o intervalo de confiança inclui valores que tenham significância prática para a sua situação. Se o intervalo for muito amplo para ser útil, pense em aumentar o tamanho da amostra.

Valor Z

O valor-z é uma estatística de teste que mede a razão entre o coeficiente e seu erro padrão.

Interpretação

O Minitab usa o valor-z para calcular o valor-p, que pode ser usado para a tomada de uma decisão sobre a significância estatística dos termos e do modelo. O teste de Wald é exato quando o tamanho da amostra é grande o bastante de forma que a distribuição dos coeficientes da amostra segue uma distribuição normal.

Uma razão grande o bastante indica que o coeficiente de estimativa é suficientemente grande e preciso para ser significativamente diferente de zero. Por outro lado, uma razão pequena indica que o coeficiente da estimativa é pequeno ou impreciso demais para proporcionar a certeza de que o termo tem um efeito sobre a resposta.

Valor-P

O valor-p é uma probabilidade que mede a evidência contra a hipótese nula. As probabilidades inferiores fornecem evidências mais fortes contra a hipótese nula.

Interpretação

Para determinar se a associação entre a resposta e cada termo no modelo é estatisticamente significativa, compare o valor-p para o termo com o seu nível de significância a fim de avaliar a hipótese nula. A hipótese nula é que o coeficiente do termo é igual a zero, o que implica a não existência de uma associação entre o termo e a resposta. Geralmente, um nível de significância (denotado como α ou alfa) de 0,05 funciona bem. Um nível de significância de 0,05 indica um risco de 5% de se concluir que existe uma associação quando não existe uma associação real.

Valor-p ≤ α: A associação é estatisticamente significativa: Se o valor-p for menor ou igual ao nível de significância, é possível concluir que há uma associação estatisticamente significativa entre a variável resposta e o termo.
Valor-p > α: a associação não é estatisticamente significativa: Se o valor-p for maior ou igual ao nível de significância, não é possível concluir que há uma associação estatisticamente significativa entre a variável resposta e o termo. Talvez seja necessário reajustar o modelo sem o termo.; Se houver vários preditores sem uma associação estatisticamente significativa com a resposta, você pode reduzir o modelo removendo os termos um de cada vez. Para obter mais informações sobre como remover os termos do modelo, vá para Redução de modelo.

Se um termo do modelo for estatisticamente significativo, a interpretação dependerá do tipo de termo. As interpretações são da seguinte maneira:

Se um fator aleatório é significativo, é possível concluir que o fator contribui para a quantidade de variação na resposta.
Se uma covariável for estatisticamente significativa, é possível concluir que as mudanças no valor da covariável estejam associadas a mudanças no valor médio da resposta.
Se um termo de interação é significativo, a relação entre um fator e a resposta depende dos outros fatores do termo. Neste caso, você não deve interpretar os principais efeitos sem considerar o efeito da interação.
Se um coeficiente para um termo polinomial for significativo, é possível concluir que os dados contêm curvatura.