Cox回归，也称比例风险回归模型，是对生存资料进行多因素分析的统计方法，可用于肿瘤和其它慢性病的预后分析，也可用于队列研究的病因探索。

一、生存资料与生存分析

在临床研究中，对病人治疗效果的考查，一方面可以看治疗结局的好坏，另一方面还可以通过治疗时间的长短来衡量。例如某种疾病治愈的时间，某癌症患者术后的存活时间等，把这类与时间有关的资料统称为生存资料，也就是既要考虑结局又要考虑结局出现的时间的资料。

生存资料涉及到随访研究，一般通过随访进行收集，从某标准时刻（发病、确诊、开始治疗、进行手术或出院等）开始，按某种相等或不等时间间隔，对观察对象定期观察预定项目所得的资料，它的结局是死亡、治愈、复发、阳性等。这里要提一下生存时间（survival time）的概念，指从某一起始事件到达某终点事件所经历的时间跨度。生存时间是一个广义的概念，不仅仅专用于存活与死亡的情况，还可用于其它情况，例如，老年黄斑变性患者从治疗开始到复发为止之间的缓解期，从开始接触危险因素到发病所经历的时间等都可作为生存时间。

生存时间的长短不仅与治疗措施有关，还可能与病人的体质、年龄、病情的轻重等多种因素有关，把这类因素称为自变量或协变量。由于失访、试验终止、意外事故、改变治疗方案等原因造成某些数据观察不完全，这些数据称为删失数据，也称截尾数据，处理这类数据的统计分析方法称为生存分析。截尾数据显然不服从正态分布和方差齐性，不能用多元线性回归分析。因此，Cox回归应运而生，被看作带有协变量的生存分析，是一种处理多因素生存分析数据的比例危险模型。

二、Cox回归的应用条件

（1）独立性

     各影响因素之间相互独立

（2）等比例风险

     风险比与时间无关，为常数

     自变量的取值及作用大小不随时间变化而变化

COX模型的基本假设为：不论基线风险如何，在任何时间点上，存在某一暴露的个体相对于不存在该暴露的个体发生事件的风险是恒定的，即两组人群在任何时间点上发生事件的风险比例是恒定的（或解释为某一个暴露在所有时间里对发生事件的作用都是相同的），所以，COX模型又称为比例风险模型，相应的协变量的参数估计必须满足比例风险假设。

比例风险假设的检验方法包括：⑴ 作图法，包括Kaplan-Meier 生存曲线图法、Schoenfeld残差图法、Martingale残差图法等；⑵ 分析法，包括Schoenfeld残差的趋势检验法和引入时间依赖变量的COX模型检验法。

• 对数线性：自变量与对数风险比呈线性关系

三、自变量的选取

在进行Cox回归分析前，如果样本不多而变量较多，建议先通过单因素分析（Kaplan-Meier法绘制生存曲线、log-rank检验等）考察所有自变量与因变量之间的关系，排除一些可能无意义的自变量，再进行多因素分析，以保证结果的可靠性。即使样本足够大，也不建议把所有的变量都放入方程直接分析，一定要先弄清楚各个变量之间的关系，确定自变量进入方程的形式，这样才能有效的进行分析。

单因素分析后，应当考虑将哪些自变量纳入Cox回归模型。一般情况下，建议纳入的变量有：⑴ 单因素分析时，差异有统计学意义的变量（此时，最好将P值放宽一些，比如0.1或0.15等，避免漏掉一些重要因素）；⑵ 单因素分析时，差异没有统计学意义，但是临床上认为与因变量关系密切的自变量。

以上就是关于Cox回归的相关介绍，后续我们还会对如何利用SPSS软件进行Cox回归分析进行讲解，敬请期待！

版权声明：本网站所有注明来源“医微客”的文字、图片和音视频资料，版权均属于医微客所有，非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源：”医微客”。本网所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，转载仅作观点分享，版权归原作者所有。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。 本站拥有对此声明的最终解释权。