在进行生存分析时，如果事件发生时间这一因变量数据伴随有多个预测变量（包括分类型或连续型预测变量），则无法使用非参数方法，例如卡普兰-迈尔（积限）估计量。 一种替代方法是使用Cox比例风险回归，这是一种半参数技术。本指南的后续页面将介绍Cox回归的相关背景和数学理论。如果您只是想了解如何在Prism中运行此分析，请直接跳转至此操作指南页面。

请注意！

Cox比例风险回归作为 Prism Labs 最新（且可说是最先进）的功能，于 Prism 9.3.0 版本中首次引入。该分析方法作为生存分析的行业标准已得到广泛认可，可对多种不同类型的预测变量（包括分类变量和连续变量）及其对生存的影响进行复杂的研究。 我们不遗余力地确保 Prism 生成的结果准确无误；在本指南页面中，您将找到关于这些结果生成过程的详细说明，以及如何解读其中许多结果的基本指导。

然而，Cox 回归是一种高级分析方法——可以说比 Prism 中提供的任何其他分析方法都要更复杂。 在使用Cox回归分析数据之前，请确保您已掌握生存分析的基础知识（即Kaplan-Meier生存估计法，以及用于比较所得生存曲线的各种检验：对数秩检验、趋势检验和Gehan-Breslow-Wilcoxon检验）。 Cox回归在很大程度上依赖于检验其他形式的多重回归（如多元线性回归和逻辑回归）的统计概念。即使掌握了所有这些不同的概念，在处理这些复杂技术时，最好的建议始终是向统计学家寻求指导或帮助。

生存数据的半参数分析

首先，让我们思考一下“半参数”的含义。在之前的章节中，我们探讨了为何无法使用线性回归来分析生存数据。 其中一个原因是数据（生存时间）存在严重偏斜度，且根据定义必须为正值（生存时间不可能为负值）。线性回归在很大程度上依赖于正态（高斯）分布，但该分布无法很好地描述生存数据。 值得注意的是，正态分布是一种对称分布，且可能包含负值。因此，可以采用其他分布来分析生存数据（例如威布尔分布、指数分布、对数正态分布或其他分布）。 在所有指定了分布的情况中，这些分析都被视为“参数分析”，因为它们假设数据来自一种可通过一组严格的参数定义的分布（更准确地说，这些分析对危险率函数的形式做出了假设，这一点将在后面讨论）。 Cox比例风险回归并未对时间数据的分布做出此类假设，但它对预测变量对生存时间的影响做出了参数性假设。因此，它是一种“半参数”技术。

那么，如果Cox比例风险模型对生存数据的分布不作假设，它又是如何估计生存曲线（即作为时间的函数给出生存概率的生存函数）的呢？ 后续章节将深入探讨该技术背后的数学原理，但简而言之，答案就蕴含在分析方法的名称中：“比例风险”。要理解其含义，我们首先来看看什么是风险率。