关于假设检验工作原理的一般信息

在进行Cox比例风险回归分析时，Prism提供了三种不同的假设检验方法，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，每种检验都会利用数据和模型中的可用信息来生成检验统计量及相应的P值。 该P值代表在假设零假设为真的情况下，获得一个不小于（或大于）所计算值检验统计量的概率。因此，还需要设定一个（通常是任意的）阈值，以确定该概率何时被视为“足够小”。 该阈值称为α水平，通常设定为0.05。 如果得到的P值小于α（即在假设零假设为真的情况下，检验统计量不小于该值的概率小于5%），则我们拒绝零假设。

请记住：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！！这仅仅表明根据现有数据无法拒绝该假设。

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，这意味着零假设是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：

•偏似然比检验（也称为对数似然比检验或G检验）

•瓦尔德检验

•评分检验

这些检验均利用最大对数部分似然估计（或称 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大同小异。也就是说，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。