以计数过程格式拟合 Cox 模型 的方差表分析

ANOVA 表中的测试类型取决于分析的规格。无论分析使用Wald测试、可能性比率测试还是分数测试,对统计数据的解释都是相同的。

自由度

自由度 (DF) 提供有关相关奇方测试统计分布的信息。连续预测器使用 1 度自由度。分类预测器使用等于负 1 级的自由度。高阶术语使用组件术语自由度的产品。

卡方

方差分析表中的每一项都具有一个卡方值。卡方值是检验统计量,可以确定项或模型是否与响应变量相关。

解释

Minitab 使用卡方统计量计算 P 值,使用 P 值可以做出有关项和模型的统计显著性的决定。P 值是一个概率,用来测量否定原假设的证据。概率越低,否定原假设的证据越充分。足够大的卡方统计量产生的 P 值较小,这表示项或模型在统计意义上显著。

P 值

P 值是一个概率,用来测量否定原假设的证据。概率越低,否定原假设的证据越充分。

解释

要确定响应与模型中每个项之间的关联在统计意义上是否显著,请将该项的 P 值与显著性水平进行比较以评估原假设。原假设声明该项的系数等于零,这意味着该项与响应之间没有关联。通常,显著性水平(用 α 或 alpha 表示)为 .05 即可。显著性水平 0.05 指示在实际上不存在关联时得出存在关联的风险为 5%。

根据空假设,每个测试的测试统计具有无同位奇方分布,自由度等于模型中的系数数。与估计参数数相比,观测到的事件数量较大时,不相称分布是有效的。对于绝对预测器,每个级别的事件数量必须足够大,才能使同位分布有效。
P 值 ≤ α: 关联在统计意义上显著
如果 P 值小于或等于显著性水平,则可以得出响应变量与项之间的关联在统计意义上显著的结论。
P 值 > α:关联在统计意义上不显著
如果 p 值大于显著性水平,则无法得出响应变量与该项之间的关联在统计意义上显著的结论。您可能希望重新拟合没有该项的模型。
如果多个预测变量与响应在统计意义上没有显著的关联,则可以通过删除项(一次删除一个)来简化模型。有关从模型中删除项的更多信息,请转到 模型简化
如果一个模型项在统计意义上显著,则解释取决于该项的类型。解释如下所示:
  • 如果一个随机因子显著,则可以得出该因子对响应中的变异量有贡献。
  • 如果一个交互作用项的系数显著,则因子与响应之间的关系取决于该项中的其他因子。在这种情况下,不应在不考虑交互作用效应时解释主效应。
  • 如果一个协变量在统计意义上显著,则可以得出结论:该协变量的值的变化与平均响应值的变化相关联。
  • 如果一个多项式项的系数显著,则可以得出数据包含弯曲的结论。

方差分析



Wald 检验
来源自由度卡方P 值
年龄11.780.182
舞台317.920.000

在这些结果中,阶段的 p 值在 0.05 的 α 水平上显着。因此,你可以得出结论,癌症的阶段对患者的生存有统计学上显著的影响。但是,年龄的 p 值为 0.182,因此年龄的影响在 0.05 α水平上并不显著。