在进行 Cox 回归分析前，如果样本不多而变量较多，建议先通过单变量分析（KM 法绘制生存曲线、Logrank 检验等）考察所有自变量与因变量之间的关系，筛掉一些可能无意义的变量，再进行多因素分析，这样可以保证结果更加可靠。即使样本足够大，也不建议把所有的变量放入方程直接分析，一定要先弄清楚各个变量之间的相互关系，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，应当考虑应该将哪些自变量纳入 Cox 回归模型。一般情况下，建议纳入的变量有：1）单因素分析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）；2）单因素分析时，没有发现差异有统计学意义，但是临床上认为与因变量关系密切的自变量。

三、SPSS分析方法

1. 数据录入SPSS

2. Analyze→Survival→Cox Regression

3. 选项设置

1）主对话框设置：

① 将生存时间变量送入 Time 框中 → ② 将结局变量送入 Status 框中 → ③ 点击 Define Event → ④ 定义表示终点事件发生的数值（此例中为死亡，用 1 表示）→ ⑤ Continue → ⑥ 将分组因素和需要调整的变量送入 Covariates 框中 → ⑦ Method 选择 Forward：LR。

对于自变量筛选的方法（Method 对话框），SPSS 提供了 7 种选择，使用各种方法的结果略有不同，读者可相互印证。各种方法之间的差别在于变量筛选方法不同，其中 Forward: LR 法（基于最大似然估计的向前逐步回归法）的结果相对可靠，但最终模型的选择还需要获得专业理论的支持。

2）Categorical Covariates 选项设置：

① 将分类变量 group 选入右侧 Categorical Covariates 里→ ② 并选择 Reference Category 以 First 为参比（即选择最小数值为参照组），其他按默认选项 → ③ Change → ④ Continue。

注意：在数据录入时，建议将二分类变量赋值为 0 和 1；多分类变量赋值为 0、1、2、3 或者 1、2、3、4 等，并根据以下情况设置 Categorical Covariates 选项：

A. 以下情况，可以不定义 Categorical Covariates 选项：当自变量是二分类变量，并且赋值的差值为 1，例如赋值为 0 和 1，也不需要绘制该变量不同组间的生存曲线时。

B. A 以外的情况都必须定义 Categorical Covariates 选项。需特别注意两种情况：① 当自变量是二分类变量，但要在 Plots 选项中设置，得到不同组间的生存曲线时。比如本例中，group 为二分类变量，但要观察不同用药组间的生存曲线，就需要在 Categorical Covariates 选项中定义 group 变量；② 多分类变量时。

3）Plots 选项设置：

要绘制生存曲线，① 可选择 Plots Type 中的 Survival 作为输出的图形 → ② 将主要分类变量选入右侧 Separate lines for 中，可以输出该变量不同组间对应的生存曲线，其他按默认选项 → ③ Continue。

4）Options 选项设置：

① 选择 Model Statics 中的 CI for exp (B) 要求输出 HR 值的 95% 置信区间 → ② 选择 Display model imformation 中的 At last step（即要求仅输出最后一步的模型），其他按默认选项 → Continue → OK。

四、结果解读

1. Case Processing Summary 表格给出了分析数据的基本情况，其中包括事件发生数（Event）、删失数（Censored）和总数（Total）等信息。

2. Categorical Variable Codings 表格给出了 Categorical Covariates 选项中设置的变量（本例中为 group）所对应的赋值情况和频率（Frequency）。最后一列给出了变量编码的情况。脚注 b. Indicator Parameter Coding 说明了本研究中 group 变量以 First 为参照组（Categorical Covariates 选项中的设置）。

3. Omnibus Tests of Model Coefficients 表格给出了模型中所有变量的回归系数全为 0 的检验结果。对于本例，① Score 统计量为 5.065，P=0.024；② 对数似然比检验 χ2=5.399，P=0.020。说明模型中至少有一个自变量的 HR 值不为 1，模型整体检验有统计学意义。

4. Variables in the Equation 表格给出了参数估计的结果。结果显示最后筛选后的模型仅包含 group 变量，① P=Sig.=0.029 说明治疗方式为影响肺癌患者预后的独立因素。② 相对危险度 HR=Exp (B)=0.410，说明使用新药的患者死亡风险为使用常规药物患者的 0.410 倍，③ HR 的 95% 可信区间（95% CI）为 0.184-0.914。

5. 生存曲线。前述 Plots 选项的设置要求输出按照不同药物分组的生存曲线。新药组（赋值为 1，绿色线条）比常规药物组（赋值为 0，蓝色线条）的生存率高。值得注意的是，该图片并未编辑，不符合给杂志投稿的要求。关于图片的编辑此处不再展开讨论。

五、撰写结论

治疗方式为影响肺癌的独立因素（P=0.029）。与常规药物相比，使用新药的肺癌患者的死亡风险低于使用常规药物的患者，HR=0.410（95% CI: 0.184-0.914）。

六、备注

Cox 回归使用的前提是满足比例风险假定（PH 假定），即主要研究因素（包括 Covariates 框中放入的其它协变量）的各层间均应满足 PH 假定。如果不满足，则应当将变量放入 Strata 框中进行分层变量控制。

作者：聂晓璐 张耀文

编辑：紫花苜蓿

来源：「医咖会」

如何判断是否满足 PH 假定？生存分析的其他统计方法又该如何操作？点击下列文章即可了解，或者关注「医咖会」微信公众号，获取超级详细的统计操作教程。可以查看「教你三招：Cox 回归比例风险（PH）假定的检验」「KM 法生存分析，史上最详细的 SPSS 教程！」「生存分析只知 Cox 回归还不够，你得了解下竞争风险模型！」

题目来源：临床执业医师资格考试往届真题

本期主播：闲闲闲兔返回搜狐，查看更多