Cox 회귀 분석에서 Exp (B)를 어떻게 해석합니까?

나는 통계를 이해하려고 노력하는 의대생입니다 (!)-조심하십시오! ;)

생존 분석 (Kaplan-Meier, Log-Rank 및 Cox regression)을 포함한 상당한 양의 통계 분석이 포함 된 에세이를 작성 중입니다.

데이터에 대해 콕스 회귀 분석을 실행하여 두 그룹 (고위험군 또는 저 위험군)에서 환자의 사망간에 유의 한 차이를 찾을 수 있는지 알아 냈습니다.

Cox 회귀 분석에 여러 공변량을 추가하여 영향을 제어했습니다.

Risk (Dichotomous)
Gender (Dichotomous)
Age at operation (Integer level)
Artery occlusion (Dichotomous)
Artery stenosis (Dichotomous)
Shunt used in operation (Dichotomous)

SE가 매우 높기 때문에 공변량 목록에서 동맥 폐색을 제거했습니다 (976). 다른 모든 SE는 0,064와 1,118 사이입니다. 이것이 내가 얻는 것입니다 :

                    B       SE      Wald    df  Sig.    Exp(B)  95,0% CI for Exp(B)
                                                                Lower   Upper
    risk            2,086   1,102   3,582   1   ,058    8,049   ,928    69,773
    gender         -,900    ,733    1,508   1   ,220    ,407    ,097    1,710
    op_age          ,092    ,062    2,159   1   ,142    1,096   ,970    1,239
    stenosis        ,231    ,674    ,117    1   ,732    1,259   ,336    4,721
    op_shunt        ,965    ,689    1,964   1   ,161    2,625   ,681    10,119

위험은 0,058의 경계선에서만 중요하다는 것을 알고 있습니다. 그러나 그 외에 Exp (B) 값을 어떻게 해석합니까? Exp (B) 값이 다음과 같이 해석 된 로지스틱 회귀 (Cox 회귀와 다소 유사합니까?)에 대한 기사를 읽었습니다. "고위험 그룹에 속하면 결과의 가능성이 8 배 증가합니다." 이 경우 죽음입니다. 고위험 환자의 사망률이 8 배나 높다는 것을 말할 수 있습니까?

도와주세요! ;)

그런데 SPSS 18을 사용하여 분석을 실행하고 있습니다.

$\exp(\hat\beta_1)$$x_1$$h(t)=h_0(t)\exp(\beta'x)$$h_0(t)$$\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$$x_i$$\beta_i$

로지스틱 회귀 분석의 경우 회귀 계수는 승산 비 로그를 반영 하므로 위험이 k 배 증가한 것으로 해석됩니다. 예, 위험 비율 해석은 승산 비 해석과 유사합니다.

SPSS와 Cox Regression 에 대한 유용한 자료가있는 Dave Garson의 웹 사이트를 확인하십시오 .

나는 통계학자가 아니라 통계 계에서 사물을 정리하려고하는 MD입니다.

$\exp(B)$$1/\exp(B)$$\exp(B) = 0.407$$1/0.407 = 2.46$

$\exp(B) > 1$$\exp(B) = 1.259$

$\exp(B) = 1$$\exp(B)$

"위험도가 높은"환자는 경계선에 유의하지만, 분석 결과 변수 중 어느 것도 엔드 포인트의 유의미한 예측 변수 (표지 수준 5 %)가 아닌 것 같습니다.

Julie Pallant의 " SPSS survival manual " 책을 읽으면 아마도이 주제에 대해 더 많이 알게 될 것입니다.