Interprete os principais resultados para Ajuste Modelo de Cox em Formato de Processo de Contagem

Conclua as etapas a seguir para interpretar um modelo de regressão. A saída-chave inclui os testes de bondade de ajuste, os valores p, os riscos relativos e as ferramentas de diagnóstico gráfico.

Neste tópico

Passo 1: Determine se o modelo ajusta bem os dados
Passo 2: Determinar se a associação entre a resposta e o termo é estatisticamente significativa
Passo 3: Determinar os riscos relativos dos preditores
Passo 4: Determinar se o modelo satisfaz a suposição de riscos proporcionais

Passo 1: Determine se o modelo ajusta bem os dados

Use testes de qualidade do ajuste para determinar se uma distribuição estatísticas se ajusta aos dados. Assim, o modelo não ajusta bem os dados. 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 o coeficiente não é 0 quando, na verdade, ele é.

Valor-p ≤ α: O modelo ajusta razoavelmente bens os dados: Se o valor-p for menor ou igual ao nível de significância, é possível concluir que a diferença entre os modelos é estatisticamente significativa. Você deve examinar se algum dos termos são estatisticamente significativos e também garantir que o modelo satisfaça a suposição de riscos proporcionais.
Valor-p > α: Não há evidências suficientes para concluir que o efeito é estatisticamente significativo: Se o valor p for maior ou igual ao nível de significância, não é possível concluis que o modelo explica a variação na resposta. Talvez seja necessário reajustar o modelo sem o termo.

Testes de Qualidade de Ajuste

Teste	GL	Qui-Quadrado
Razão de verossimilhança	4	29,39
Wald	4	32,47
Escore	4	35,22

Principais resultados: Valor-P

Nesses resultados, os valores p para todos os 3 testes estão abaixo de 0,05, então você pode concluir que o modelo se encaixa bem nos dados.

Passo 2: Determinar se a associação entre a resposta e o termo é estatisticamente significativa

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 não há nenhuma 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 categórico for significativo, você pode concluir que o fator tem um efeito no tempo para o evento.
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 termo polinomial for significativo, é possível concluir que os dados contêm curvatura.

Análise de Variância

		Teste de Wald
Fonte	GL	Qui-Quadrado	Valor-P
Categoria de Risco	2	9,77	0,008
Plaquetas Normais	1	9,13	0,003
Estágio da Doença	1	6,41	0,011

Principais resultados: Valor-P

Nesses resultados, a Categoria de Risco é estatisticamente significativa no nível de significância de 0,05. Portanto, você pode concluir que o Categoria de Risco tem um efeito estatisticamente significativo sobre se o paciente está livre da doença. Você pode fazer a mesma conclusão sobre Plaquetas Normais e Estágio da Doença.

Passo 3: Determinar os riscos relativos dos preditores

Use o risco relativo para avaliar o risco entre diferentes valores das variáveis preditoras. Minitab exibe uma tabela separada de riscos relativos para variáveis categóricas e contínuas.

Variável categórica: Na tabela Riscos Relativos para Preditores Categóricos, a Minitab rotula dois níveis da variável categórica como Nível A e Nível B. O risco relativo descreve a taxa de ocorrência do evento para o nível A em relação ao nível B. Por exemplo, nos resultados a seguir, o risco de vivenciar o evento para pacientes com a Alto Risco for Estágio da Doença é 2 vezes maior do que os pacientes com um Estágio da Doença de Normal.
Variável contínua: Na tabela Riscos Relativos para Preditores Contínuos, o Minitab exibe a unidade de alteração e o risco relativo. O risco relativo descreve a alteração na taxa de risco para cada unidade de alteração no valor do preditor. Por exemplo, se o risco relativo for de 1,02 para a idade variável, o paciente tem 1,02 vezes mais chances de experimentar o evento para cada aumento de 1 ano até a idade.

Você pode usar o intervalo de confiança para determinar se o risco relativo é estatisticamente significativo. Normalmente, se o intervalo de confiança contiver 1, você não pode concluir que o risco relativo é estatisticamente significativo.

Riscos relativos para preditores categóricos

Nível A	Nível B	Risco relativo	IC de 95%
Categoria de Risco
2	1	0,4524	(0,2409; 0,8495)
3	1	0,9673	(0,5116; 1,8290)
3	2	2,1383	(1,2487; 3,6616)
Plaquetas Normais
Sim	Não	0,3666	(0,1912; 0,7029)
Estágio da Doença
Normal	Alto Risco	0,4986	(0,2909; 0,8547)

Principais resultados: Risco Relativo, IC 95%

Passo 4: Determinar se o modelo satisfaz a suposição de riscos proporcionais

Use a tabela Testes para Riscos Proporcionais, a trama de Andersen e a trama de Arjas para determinar se o modelo atende à suposição de riscos proporcionais. Se os pressupostos não forem satisfeitos, o modelo pode não ajustar bem os dados e você deve ter cautela ao interpretar os resultados.

Testes para tabela de riscos proporcionais

Use os testes para determinar se o modelo atende à suposição de riscos proporcionais. A hipótese nula é que o modelo atende ao pressuposto de todos os preditores. 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 concluir que o parâmetro extra melhora significativamente o ajuste de distribuição, quando, na verdade, não.

Se o valor-p for menor ou igual ao nível de significância, conclua que o modelo não especifica corretamente a relação. Se o valor p for maior ou igual ao nível de significância, não é possível concluis que o modelo explica a variação na resposta.

Trama de Andersen

Use o enredo de Andersen para determinar se o modelo atende à suposição de riscos proporcionais para diferentes estratos. Cada combinação de valores de uma ou mais variáveis de estratificação define um estrato. O enredo contém uma curva para cada estrato. Se o modelo atender à suposição, as curvas são linhas retas através do ponto onde X = 0 e Y = 0. Se a taxa de risco da linha de base para um estrato for a mesma da taxa de risco da linha de base para o estrato no eixo x, então a curva segue a linha de referência de 45 graus na trama.

Se o modelo não atender ao pressuposto, considere se deve dividir os dados pela variável estratificação para a qual o modelo não atende ao pressuposto de riscos proporcionais. Em seguida, realize uma análise separada em cada subconjunto dos dados. As análises separadas fornecem efeitos diferentes para os preditores em cada subconjunto.

Testes para riscos proporcionais

Termo	GL	Correlação	Qui-Quadrado	Valor-P
Categoria de Risco
2	1	0,0757	0,54	0,464
3	1	-0,1160	1,08	0,300
Plaquetas Normais
Sim	1	0,0296	0,09	0,769
Estágio da Doença
Normal	1	-0,1205	1,30	0,255
Global	4	—	5,42	0,247

Principais resultados: Valor-p

Nestes resultados, os valores p para o teste para riscos proporcionais são todos superiores a 0,05, portanto não é possível concluir que o modelo não atende ao pressuposto de riscos proporcionais.