Sir David Cox a fait remarquer que si l`hypothèse des dangers proportionnels tient (ou est supposée tenir), il est possible d`estimer le ou les paramètres d`effet sans tenir compte de la fonction de danger. Cette approche des données de survie s`appelle l`application du modèle de risques proportionnels de Cox [2], parfois abrégé en modèle Cox ou en émodel à risques proportionnels. Cependant, Cox a également noté que l`interprétation biologique de l`hypothèse des risques proportionnels peut être assez délicate. 3 [4] MedCalc énumère le coefficient de régression b, son erreur type, la statistique Wald (b/SE) 2, la valeur P, l`exp (b) et l`intervalle de confiance de 95% pour exp (b). Certains forfaits statistiques offrent une régression progressive de Cox qui effectue des tests systématiques pour différentes combinaisons de prédicteurs/covariables. Les procédures automatiques de construction de modèle telles que celles-ci peuvent être trompeuses car elles ne considèrent pas l`importance réelle de chaque prédicteur, pour cette raison StatsDirect n`inclut pas la sélection par étapes. Signification statistique. La colonne marquée «z» donne la valeur statistique de Wald. Il correspond au rapport de chaque coefficient de régression à son erreur type (z = coef/se (coef)). La statistique Wald évalue si le coefficient bêta ( (beta)) d`une variable donnée est statistiquement significativement différent de 0.

À partir de la sortie ci-dessus, nous pouvons conclure que le sexe variable ont des coefficients très statistiquement significatifs. Les modèles à risques proportionnels peuvent être utilisés pour des mesures discrètes ou continues de temps d`événement et peuvent incorporer des covariables dépendantes du temps (covariables dont les valeurs peuvent changer pendant la période d`observation). En utilisant la régression des dangers proportionnels, on peut produire des ratios de risque (ou de risques) ajustés en covariables. Les modèles de survie peuvent être considérés comme étant constitués de deux parties: la fonction de risque de base sous-jacente, souvent notée λ 0 (t) {displaystyle lambda _ {0} (t)}, décrivant comment le risque d`événement par unité de temps change au fil du temps aux niveaux de base des covariables; et les paramètres d`effet, décrivant comment le danger varie en réponse à des covariables explicatives. Un exemple médical typique inclurait des covariables telles que l`assignation du traitement, ainsi que des caractéristiques du patient telles que l`âge au début de l`étude, le sexe et la présence d`autres maladies au début de l`étude, afin de réduire la variabilité et/ou le contrôle de Confusion. Les coefficients de régression. La deuxième caractéristique à noter dans les résultats du modèle Cox est le signe des coefficients de régression (coef). Un signe positif signifie que le danger (risque de mort) est plus élevé, et donc le pronostic pire, pour les sujets avec des valeurs plus élevées de cette variable. Le sexe variable est codé en tant que vecteur numérique. 1: mâle, 2: femelle.

Le Résumé R du modèle Cox donne le rapport de risque (HR) pour le deuxième groupe par rapport au premier groupe, c`est-à-dire femelle versus mâle. Le coefficient bêta pour le sexe =-0,53 indique que les femelles ont un risque plus faible de décès (taux de survie inférieurs) que les mâles, dans ces données. Bien qu`aucun modèle de probabilité particulier ne soit sélectionné pour représenter les temps de survie, la régression des risques proportionnels a une hypothèse importante: le danger pour tout individu est une proportion fixe du danger pour toute autre personne. (c.-à-d., risques proportionnels). Remarque Si (lambda_0 (t) ) est la fonction de danger pour un sujet avec toutes les valeurs de prédicteur égales à zéro et (lambda_1 (t) ) est la fonction de danger pour un sujet avec d`autres valeurs pour les variables de prédicteur, alors le rapport de risque dépend uniquement du prédicteur variables et non pas sur le temps t.