Cox比例风险回归假设基线风险比[h0（t）]、预测变量值（xi）和参数系数（βi）的关系如下：

进行Cox比例风险回归时，分析过程的第一步是估计模型中β（β）系数的最佳拟合值。通过使用称为“最大似然估计（MLE）”的过程来完成。该技术中涉及的数学远远超出本指南的范围，但需注意的是，根据所分析的数据以及数据中是否有关联，通常针对MLE使用三种不同的技术。有关这些β系数解释的信息，阅读本页的更多内容。

收集生存数据时，代表历时的变量视为连续变量，但通常以离散方式进行测量。每小时、每天、每周、每月等检查研究中每个个体的状态，且为分析记录的历时通常在该级别截断。例如，我们可能记录个体在4个月研究6周后发生的感兴趣事件，而不知道在该个体感兴趣事件之前经过的确切天数（或小时、分钟、秒等）。但应注意的是，即使使用这种数据记录方法，仍将历时视为连续变量。因此，在一项研究中，经常会出现多个体具有相同的记录生存时间。这在历时内称为“关联”。

当数据中无关联（或者仅少量关联）时，可以采用使用“精确”方法确定模型中β系数的MLE（即，Prism中的默认值）。然而，当在事件时间中存在大量关联时，该方法在计算上变得极其密集，并使用近似值来计算期望的β系数值。有两种可以使用的常见近似值：

1.Breslow近似方法

2.Efron近似方法

Efron近似方法是两种方法中较老的一种，很多统计软件包将其作为数据中存在关联时的默认方法。然而，通常视为Efron近似方法可提供更精确的结果。当数据中存在少量关联时，所有三种方法均应给出非常相似的结果。当关联数量较大时，Prism将自动使用Efron近似方法来确定β系数值。但“分析”对话框“模型”选项卡上的控件将允许您指定首选方法。

指南的后续章节将提供关于如何在Prism内部进行Cox比例风险回归的信息，以及如何解释Prism从该分析中产生的结果的指导。