关于假设检验工作原理的一般信息

在执行Cox比例风险回归时，Prism提供三种不同的假设检验供选择，用于评估指定模型与给定数据的拟合程度。与所有假设检验一样，这些检验的工作原理是首先定义一个零假设（H0）。 随后，每种统计检验都会利用数据和模型中的可用信息，生成一个统计检验统计量及其对应的 P 值。该 P 值代表在假设零假设成立的情况下，获得一个不小于（或大于）所计算值统计检验统计量的概率。因此，还需要设定一个（通常是任意选定的）阈值，以确定该概率何时被视为“足够小”。 该阈值称为显著性水平（α），通常设定为0.05。若所得P值小于α（即在假设零假设成立的情况下，检验统计量不小于当前所得值的概率小于5%），则拒绝零假设。

请注意：未能拒绝“参数估计值为零”这一零假设，并不意味着该假设成立！！这仅表明根据现有数据，该假设无法被拒绝。

对于 Prism 提供的每项 Cox比例风险回归假设检验，均采用相同的总体零假设，即 H0:β=0。通俗来说，这意味着零假设认为所有预测变量的参数系数均为零（或者等价地，所有风险比均为 1.0）。 另一种理解方式是：在零假设下，最佳拟合模型是指预测变量的变化对危险率没有影响的模型。

Prism 提供的三种假设检验包括：

•部分似然比检验（也称为对数似然比检验或 G 检验）

•瓦尔德检验

•评分检验

这些统计检验均利用最大对数部分似然估计（MPLE），其涉及的数学推导非常复杂，超出了本指南的讨论范围。然而，如上所述，这些统计检验对模型和数据的评估结果是相似的。即，如果这些统计检验的检验统计量足够大，我们就可以拒绝“模型的参数估计值为零”这一零假设。