在进行Cox比例风险回归分析时，Prism会提供两个值，用于表示每个预测变量对风险率的影响：

•参数估计值（下文将详细讨论）

•风险比（另见相关页面）

这两个值是彼此的简单变换，因此提供了相同的信息。如果您刚接触 Cox 回归，理解风险比可能更容易一些。

 

关于这些参数估计值和风险比所计算的 P 值的信息，可参见专门的页面。

 

参数估计值

在Cox比例风险回归中，参数估计值的解读比Prism提供的其他形式的多重回归要稍显复杂。这是因为Cox比例风险回归所采用的模型旨在探究预测变量与风险率之间的关系。供参考，以下是一般模型：

 

呈现该模型的另一种方法是将等式两边除以基线危险率 (h0(t)) 并取自然对数，结果为：

 

正是通过这种模型形式，才能理解参数估计值。例如，假设某项分析中唯一的预测变量是连续变量“年龄”。如果“年龄”的参数估计值为 0.5，则模型将如下所示：

 

根据该模型，可以看出，如果“年龄”的值增加1，则 log(风险率) 的值将增加0.5。尽管这些参数估计值呈现的是对数值的影响（从绝对值来看可能难以理解），但它们确实具有一个非常明显的优点： 参数估计值为正表明该预测变量的增加会导致危险率上升，而参数估计值为负则表明该预测变量的增加会导致危险率下降。

请记住，危险率的增加意味着发生目标事件的风险增加，而危险率的降低则意味着发生目标事件的风险降低。

 

标准误差与置信区间

参数估计值——顾名思义——只是对整个总体中某个未知值的估计值。 了解参数实际值的唯一方法是收集整个总体的数据。例如，如果您想知道人类的平均身高，您可以（假设）测量每个人的身高。然而，由于实际上无法做到这一点，您只能收集一组样本数据。 根据该样本，您会计算出一个平均值，而这个平均值会因所选样本中的随机变异性而存在一定误差。在Cox比例风险回归中，Prism会报告两个值，用于反映参数系数估计值中的误差程度：标准误差和剖面似然置信区间。

系数的标准误差可能难以解读，但简单来说，它反映了参数估计值的精确程度。

另一种理解“精确度”概念的方法是使用置信区间。这些数值能反映出您对所给出的参数估计值的置信程度。 置信区间的总体思路是：如果重复进行同一实验无数次，并为每次重复实验构建置信区间，那么其中95%的区间（对于95%置信区间而言）将包含整个总体中的真实参数系数。 请注意，某些软件报告的是对称置信区间，这些区间是直接利用上述标准误差计算得出的。而Prism实际上计算的是更精确的剖面似然置信区间。这些置信区间可能（且通常）在估计的参数值周围呈现非对称分布。