cox回归模型python实现_Cox回归分析及其SPSS操作方法概述

Cox回归分析及其SPSS操作方法概述

我们先回顾一下生存分析的KM法和寿命表法(回复数字26和27可以查看KM法的详细内容)，其共同点是只能分析一种因素与生存率的关系，Log-Rank法也是比较一个因素两种水平间的生存差别，如果生存率的影响因素有很多，我们怎么避免其它混杂因素的影响呢？我们可以使用回归分析方法，但如果使用logistic回归，也是只能观察影响因素与结局的关联，没有考虑结局发生的时间因素。Cox回归可以解决这个问题。Cox回归一般模型假设为

其中h(t,X)是在时刻t的风险函数又可称瞬时死亡率，h(0,t)是基线风险率，其它与logistic回归模型相同。βj大于0则xj越大，病人死亡风险越大，βj小于0则xj越大，病人死亡风险越小，βj等于0则xj越与死亡率没有影响。Exp(β)为危险比(HR)或相对危险度(RR)。

下面以一个例子说明在SPSS中作Cox回归如何操作。

我们想观察乳腺癌的生存率及其影响因素，收集了1207例病例并进行了随访。观察的因素包括年龄(age)、病理肿瘤大小(pathsize)、腋窝淋巴结个数(lnpos)、组织学分级(histgrad)、雌激素状态(er)、孕激素状态(pr)和淋巴结转移(ln_yesno)等。time为随访时间，status为生存状态。

在SPSS菜单里点击“分析”－“生存函数”－“Cox回归”，在弹出的对话框里，将”time”和”

status”分别选入时间和状态对话框，点击“定义事件”，填写“1”，将不同的影响因素选入协变量框中，方法可以选“向后：LR”(各种方法差别不大，可以自由选择)。

如果有多分类变量需要设置哑变量，可以点击右上角“分类”，将要设置哑变量的变量选入右边框中。并可以选择以第一个或者最后一个作为参照。