如何才能做Cox呢？今天带来Cox回归分析步骤详解

大家好，欢迎来到IT知识分享网。

Cox回归是生存分析中运用最多的一个模型，又称为比例风险回归模型(proportional hazards model)。是由英国统计学家D.R.Cox在1962年提出的，为了表示对他的尊敬，所以大家以他的名字命名这个模型。这是一种半参数回归模型，以结局和生存时间为因变量，还可以同时分析多个因素对生存期的影响，碰到数据缺失的情况也不怕！照样可以分析。另外，该回归方法对于数据分布也没啥要求。这些优点使Cox回归的应用非常广泛，在临床医学、经济学等各个领域都有运用。

接下来我们来看一看SPSS进行Cox回归的详细步骤。

首先收集生存分析的数据，生存分析的示例数据如下图。

需要注意的是，数据里必须包含结局、生存时间这两列数据。在该示例数据里，结局表示的是肺癌患者的随访结果（1：死亡，0：生存）。生存时间的单位为“天”。X1-X5为自变量。SPSS分析步骤如下：第一步，点击“分析”——“生存分析”——“Cox回归”；

第二步，变量设置，方法默认为“输入”，也可以选前向、后向输入，与逐步回归类似；

第三步，定义事件，一般设置结局为1，也可以定义范围；

第四步，点击“分类”，进行分类变量定义，如果自变量有分类变量的话，可以在这一步进行设置。

第五步，绘图设置，可以勾选生存分析函数曲线，也可以绘制风险函数曲线。注意！只有分类变量才能设置“针对各项绘制单独的线条”，连续型数值是无法选这一项的，否则会有报错提醒哦！

第六步，点击“保存”，按分析需求进行保存设置。

点击确定，就能得到SPSS的分析结果了。Cox回归的结果如下：首先，是omnibus综合检验结果，这个检验是看变量的纳入模型与不纳入模型是否有显著的区别。P<0.05 说明有显著区别，也是从侧面反映了各变量的重要程度；卡方结果说明一个变量的加入，影响了多少似然比统计量的变化。

Cox回归结果显示，每个自变量的影响都不显著。当然，这只是一个示例数据，实际分析中，如果每个自变量的都不显著，问题可就大了！得回头重新整理数据、清洗数据。如果分析方法没问题，结果不理想，大概率的原因就在数据本身。

协变量平均值结果如下。默认情况下，一般是用协变量的平均值去估计生存比例。

生存分析函数的可视化结果如下。

随着生存时间的不断延长，累积生存率呈现逐步下降的趋势。横坐标上的每个点，代表经过某个特定时间点的时候的生存概率。