对COX进行比例危害回归灯泡数据集，其中包含灯泡的模拟寿命。灯泡数据的第一列包含两种不同类型的灯泡的寿命（小时）。第二列包含一个二进制变量，指示灯泡是荧光还是白炽灯。0表示灯泡是荧光的，1表示它是白炽的。第三列包含审查信息，其中0指示灯泡直到失败为止，1表示观察值已进行了审查。

适合灯泡寿命的COX比例危害模型，以审查审查。预测变量是灯泡的类型。

加载灯泡coxmdl = fitcox（lightbulb（：，2），lightbulb（：，1），...“审查”，灯泡（：，3））

coxmdl = Cox比例危害回归模型：beta se zStat Pvalue ______ ______ ______ ______ __________ X1 4.7262 1.0372 4.5568 5.1936E-06

为返回找到95％的置信区间beta估计。

CI = COEFCI（COXMDL）

CI =1×22.6934 6.7590

找到99％的置信区间beta估计。

CI99 = COEFCI（Coxmdl，0.01）

CI99 =1×22.0546 7.3978

找到预测指标的置信区间重新评估时间数据集。响应变量是重新启动时间，其中显示了100名患者的再入院时间。预测变量是年龄，，，，性别，，，，重量， 和吸烟者，每个患者的吸烟状况。1表示患者是吸烟者，而0表示患者不吸烟。列矢量审查包含每个患者的审查信息，其中1表示审查数据，0表示确切的再入院时间。（模拟了此数据。）

加载数据。

加载重新评估时间

使用所有四个预测指标拟合模型。

x = [年龄性重量吸烟者]；

使用审查信息拟合模型。

coxmdl = fitcox（x，重新启动时间，“审查”，审查）;

查看点的估计值年龄，，，，性别，，，，重量， 和吸烟者系数。

coxmdl.coefficients.beta

ans =4×10.0184 -0.0676 0.0343 0.8172

为这些估计找到95％的置信区间。

CI = COEFCI（COXMDL）

CI =4×2-0.0139 0.0506 -1.6488 1.5136 0.0042 0.0644 0.2767 1.3576

这性别系数（第二行）具有较大的置信区间，前两个系数括号为0。因此，您不能拒绝假设是年龄和性别预测变量为零。