SPSS教程 之 生存分析的Cox回归模型（比例风险模型）

最近有同学问师兄，“最近我要做生存分析，可是我不太会，也不太懂，师兄能不能教教我”，好吧，今天开一贴，讲讲这个。有同样的问题的同学可以一起来看看，毕竟在临床、科研上，这方面知识还是很受用的。有什么想跟师兄讨论的，可以加师兄微信号：laiwenshixiong，加我时，注意注明申请理由，如果申请理由是你的名字话，那你就会被师兄忽略掉。就这样吧。让我们开始征程。

一、生存分析基本概念

1、事件（Event）

指研究中规定的生存研究的终点，在研究开始之前就已经制定好。根据研究性质的不同，事件可以是患者的死亡、疾病的复发、仪器的故障，也可以是下岗工人的再就业等等。

2、生存时间(Survival time)

指从某一起点到事件发生所经过的时间。生存是一个广义的概念，不仅仅指医学中的存活，也可以是机器出故障前的正常运行时间，或者下岗工人再就业前的待业时间等等。有的时候甚至不是通用意义上的时间，比如汽车在出故障前的行驶里程，也可以作为生存时间来考虑。

3、删失（Sensoring）

指由于所关心的事件没有被观测到或者无法观测到，以至于生存时间无法记录的情况。常由两种情况导致：（1）失访；（2）在研究终止时，所关心的事件还未发生。

4、生存函数（Survival distribution function）又叫累积生存率，表达式为S（t）=P(T>t),其中T为生存时间，该函数的意义是生存时间大于时间点t的概率。t=0时S(t)=1，随着t的增加S(t)递减（严格的说是不增），1-S(t)为累积分布函数，表示生存时间T不超过t的概率。

二、生存分析的方法

1、生存分析的主要目的是估计生存函数，常用的方法有Kaplan-Meier法和寿命表法。对于分组数据，在不考虑其他混杂因素的情况下，可以用这两种方法对生存函数进行组间比较。

2、如果考虑其他影响生存时间分布的因素，可以使用Cox回归模型（也叫比例风险模型），利用数学模型拟合生存分布与影响因子之间的关系，评价影响因子对生存函数分布的影响程度。这里的前提是影响因素的作用不随时间改变，如果不满足这个条件，则应使用含有时间依存协变量的Cox回归模型。

下面用一个例子来说明SPSS中Cox回归模型的操作方法。

例题

要研究胰腺癌术中放疗对患者生存时间的影响，收集了下面所示的数据：

操作步骤：

SPSS变量视图

菜单选择：

点击进入Cox主对话框，如下，将time选入“时间”框，将代表删失的censor变量选入“状态”框，其余分析变量选入“协变量”框。其余默认就行。

点击“状态”框下方的“定义事件”，将事件发生的标志设为值0，即0代表事件发生。

在主对话框中点击“分类”按钮，进入如下的对话框，将所有分类变量选入右边框中。

在主对话框中点击“绘图”按钮，进入如下的对话框，选择绘图的类型，这里只选择“生存函数”。由于我们关心的主要变量是trt（是否放疗），所以将trt选入“单线”框中，绘制生存曲线。

在主对话框中点击“选项”按钮，进入如下的对话框，设置如下，输出RR的95%置信区间。回到主界面，点击“确定”输出结果。

结果输出

这是案例处理摘要，有一个删失数据。

这是分类变量的编码方式。


这是对拟合模型的检验，原假设是“所有影响因素的偏回归系数均为0”，这里可以看出P=0.032<0.05拒绝原假设，认为有偏回归系数不为零的因素，值得进一步分析。

这是多元回归结果，第二列B为偏回归系数，最后三列为OR值及其置信区间。由P值可以看出，在0.5的显著水平下，只有 trt 有统计学差异，OR为2.265。

这是协变量的平均值。

这是总体的生存函数，即累积生存率函数。

这是在控制了其他变量后，有无放疗组的生存函数对比，可以看出，术中放疗患者的生存情况优于不放疗的患者。

想了解更多有用的、有意思的前沿资讯以及酷炫的实验方法的你，都可以成为师兄的好伙伴

师兄微信号：laiwenshixiong