以计数过程格式拟合 Cox 模型解释关键结果

完成以下步骤，以计数过程形式解释考克斯回归模型。关键输出包括适合性测试、p 值、相对风险和图形诊断工具。

步骤 1：确定模型与数据的拟合优度

使用拟合优度检验来确定模型对数据的拟合程度。其原假设是模型与数据充分拟合。通常，显著性水平（用 α 或 alpha 表示）为 .05 即可。显著性水平 0.05 指示在系数为 0 时得出系数不为 0 的结论的风险为 5%。

P 值 ≤ α：模型应当充分拟合数据: 如果 P 值小于或等于显著性水平，则可以断定模型之间在统计上存在显著差异。您应该检查其中任何术语是否具有统计学意义，并确保该模型满足比例危险假设。
P 值 > α：证据不足，无法得出效应在统计意义上显著的结论。: 如果 P 值大于显著性水平，则无法得出模型解释响应中变异的结论。您可能希望重新拟合没有该项的模型。

在这些结果中，所有 3 个测试的 p 值都低于 0.05，因此您可以得出结论，该模型非常适合数据。

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%。

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：

在这些结果中，风险类别的 p 值在 0.05 的 α 水平上显着。因此，你可以得出结论，风险类别它对患者是否无病有统计学意义。你可以作出同样的结论普通血小板和疾病阶段.

使用相对风险来评估预测变量不同值之间的风险。Minitab 显示分类和连续变量的相对风险的单独表。

类别变量: 在分类预测器表的相对风险中，Minitab 将分类变量的两个级别标记为 A 级和 B 级。相对风险描述 A 级相对于 B 级的事件发生率。例如，在以下结果中，患者经历该事件的风险是患者的高风险疾病阶段 2 倍疾病阶段正常。
连续变量: 在连续预测器的相对风险表中，Minitab 显示变化的单位和相对风险。相对风险描述预测值中每个单位变化的危险率变化。例如，如果变老年龄的相对风险为 1.02，则患者每次增加 1 年到其年龄时经历该事件的可能性是患者的 1.02 倍。

您可以使用置信区间来确定相对风险是否具有统计学意义。通常，如果置信区间包含 1，则不能断定相对风险具有统计学意义。

水平 A	水平 B	相对风险	95% 置信区间
风险类别
2	1	0.4524	(0.2409, 0.8495)
3	1	0.9673	(0.5116, 1.8290)
3	2	2.1383	(1.2487, 3.6616)
普通血小板
是	否	0.3666	(0.1912, 0.7029)
疾病阶段
正常	高风险	0.4986	(0.2909, 0.8547)

使用比例危险表、安徒生图和 Arjas 图测试来确定模型是否符合比例危险假设。如果不符合此假设，则模型可能无法充分拟合数据，在解释结果时应当格外小心。

比例危险表测试

使用测试来确定模型是否符合比例危险假设。空假设是该模型符合所有预测器的假设。通常，显著性水平（用 α 或 alpha 表示）为 .05 即可。显著性水平 .0.05 指示当额外参数实际上不会显著改善分布拟合时，判定额外参数会显著改善分布拟合的风险为 5%。

如果 p 值小于或等于显著性水平，则可以得出数据不服从分布的结论。如果 P 值大于显著性水平，则无法得出模型解释响应中变异的结论。

安徒生情节

使用安徒生图来确定该模型是否符合不同地层的比例危险假设。一个或多个分层变量的每个值组合定义一个层。该图包含每个层的曲线。如果模型符合假设，则曲线是直线，穿过 X = 0 和 Y = 0 点。如果地层的基线危险率与 x 轴上的基线危险率相同，则曲线遵循图上的 45 度参考线。

如果模型不符合假设，请考虑是否将数据除以模型不符合比例危险假设的分层变量。然后对数据的每个子集进行单独的分析。单独的分析为每个子集中的预测器提供了不同的效果。

在这些结果中，比例危险测试的 p 值均大于 0.05，因此您无法断定该模型不符合比例危险假设。