如何在Cox回归中解释Exp（B）？

我是一名医学生，试图了解统计信息（！）-请保持温柔！;）

我正在写一篇包含大量统计分析的文章，其中包括生存分析（Kaplan-Meier，Log-Rank和Cox回归）。

我对数据进行了Cox回归，试图找出两组患者（高风险或低风险患者）的死亡之间是否存在显着差异。

我在Cox回归中添加了几个协变量来控制它们的影响。

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

我从协变量列表中删除了动脉闭塞，因为其SE极高（976）。所有其他SE介于0.064和1,118之间。这是我得到的：

                    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

我知道风险仅为0,058时才是临界值。但是除此之外，我该如何解释Exp（B）值？我读了一篇关于逻辑回归（有点类似于Cox回归？）的文章，其中Exp（B）值被解释为：“在高风险人群中，结局可能性增加了8倍，”在这种情况下就是死亡。我可以说我的高危患者死亡的可能性是……的8倍吗？

请帮我！;）

顺便说一下，我正在使用SPSS 18进行分析。

一般而言，$\exp(\hat\beta_1)$是危害的两个个体其的值之间的比率$x_1$由一个单元不同，当所有其他协变量保持恒定。与其他线性模型的相似之处在于，在Cox回归中，危险函数建模为$h(t)=h_0(t)\exp(\beta'x)$，其中$h_0(t)$是基线的危险。这相当于说$\log(\text{group hazard}/\text{baseline hazard})=\log\big((h(t)/h_0(t)\big)=\sum_i\beta_ix_i$。然后，在一个单元增加$x_i$所关联$\beta_i$在日志危险率增加。回归系数允许因此，要量化治疗组（与对照组或安慰剂组相比）的危害对数，并考虑模型中包含的协变量；将其解释为相对风险（假设没有随时间变化的系数）。

在逻辑回归的情况下，回归系数反映了优势比的对数，因此被解释为风险增加了k倍。因此，是的，危险比的解释与优势比的解释有些相似。

一定要检查Dave Garson的网站，其中有关于使用SPSS 进行Cox回归的一些很好的资料。

我不是统计学家，而是医学博士，试图在统计领域解决问题。

$\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)$

从您的分析看来，您似乎没有一个变量是终点的重要预测因子（符号水平为5％），尽管“高风险”患者具有临界意义。

阅读朱莉·帕兰特（Julie Pallant）的著作《SPSS生存手册》可能会进一步启发您了解这个（或更多）主题。