进行Cox比例风险回归时，Prism提供了两个值来指示每个预测变量对风险比的影响：

•参数估计值（讨论见下文）

•风险比（讨论见其他相应页面）

这两个值是彼此的简单变换，因此提供相同的信息。如果以前未用过Cox回归，则理解风险比可能会容易一点。

 

有关为这些参数估计值和风险比计算的P值的信息，请参见专门的页面。

 

参数估计

相比于Prism提供的其他形式的多元回归，Cox比例风险回归中参数估计值的解释更复杂一些。这是因为Cox比例风险回归使用的模型研究了预测变量与风险比之间的关系。一般模型如下，供参考：

 

显示该模型的另一种方法是用两侧除以基线风险（h0（t））并取自然对数，结果如下：

 

这是一种可以理解参数估计值的模型形式。例如，考虑一项唯一预测变量是连续变量“年龄”的分析。如果年龄的参数估计值为0.5，模型将如下所示：

 

根据该模型可以看出，年龄每增加一，对数值（风险比）将增加1/2。虽然这些参数估计值示出了对数值的影响（从绝对意义上来说，很难理解），但它们确实展示了一项好处，即：参数估计值为正值时，表示该预测变量的增加会导致风险比增加，而负值则表示该预测变量的增加会导致风险比降低。

请记住，风险比增加相当于发生感兴趣事件的风险增加，而风险比降低相当于发生感兴趣事件的风险降低。

 

标准误差和置信区间

顾名思义，参数估计值只是对整个群体的某个未知值的估计值。了解真实参数值的唯一方法是收集整个群体的数据。例如，如果您想知道人类的平均身高，您可以（假设）测量每个个体的身高。但由于实际上无法做到这一点，因此您需要收集数据样本。基于该样本，计算出平均值，由于选择的受试者具有随机可变性，因此该平均值会存在一些误差。对于Cox比例危害回归，Prism报告了两个值，其提出了关于所提供的参数系数估计中误差量的概念：标准误差和剖面似然置信区间。

系数的标准误差可能难以解读，但简单地说是，其提出了关于参数估计精确程度的概念。

考虑精度概念的另一种方法是使用置信区间。这些值可以让您对所提供的参数估计值有一定了解。置信区间的一般概念是 - 如果您多次重复同一实验，并为每次重复实验构建置信区间 - 这些区间的95%（对于95%置信区间）将包含整个群体的真实参数系数。请注意，有些软件报告对称置信区间，即，直接使用上述标准误差计算得到的区间。Prism实际上可计算得到更精确的截面似然置信区间。这些区间在估计参数值附近可能（通常）不对称。