具有相同形状参数的威布尔随机变量具有比例风险率;看到威布尔分布。带有刻度参数的危险率 $$\mathrm{一个}$$和形状参数 $$b$$当时 $$t$$是

$$\frac{b}{{\mathrm{一个}}^b}{t}^{b-1}$$。

从具有比例参数1、5和1/3且具有相同形状参数的Weibull分布生成伪随机样本B。

rng违约%的再现性B = 2;一个= 1 (100 1);data1 = wblrnd (A, B);A2 = 5 *;data2 = wblrnd (A2, B);A3 / 3 =;data3 = wblrnd (A3, B);

创建一个数据表。预测值是三种变量类型，1、2或3。

预测值=分类（[A；2*A；3*A]）；数据=表格（预测值[data1；data2；data3]，“变化无常”,[“预测”“次”]);

对数据拟合Cox回归。

mdl=fitcox（数据，“次”）

mdl = Cox比例风险回归模型:Beta SE zStat pValue _______ _______ _______ __________ Predictors_2 -3.5834 0.33187 -10.798 3.5299e-27 Predictors_3 2.1668 0.20802 10.416 2.0899e-25

速率=经验（mdl.系数β）

率=2×10.0278 8.7301

执行一个Cox比例风险回归灯泡数据集，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灯泡的生存期(以小时为单位)。第二列包含一个二元变量，该二元变量指示灯泡是荧光灯还是白炽灯;0表示灯泡为荧光灯，1表示灯泡为白炽灯。第三列为截尾信息，其中0表示观察到灯泡失效，1表示观察到截尾。

加载灯泡数据集。

负载灯泡

拟合灯泡寿命的Cox比例危险模型，考虑了审查。预测变量是灯泡的类型。

coxMdl = fitcox(灯泡(:,2),灯泡(:1),...“审查”灯泡(:3))

coxMdl = Cox比例风险回归模型:Beta SE zStat pValue ______ ______ ______ __________ X1 4.7262 1.0372 4.5568 5.1936 -06

通过评估找出白炽灯和荧光灯的危害率 $$\mathrm{经验}（Bet\mathrm{一个}）$$。

hr=exp（coxMdl.系数β）

hr = 112.8646

风险比的估计为 $$e^{Bet\mathrm{一个}}$$= 112.8646，这意味着白炽灯的估计危害是荧光灯的112.86倍。的小价值coxMdl.coverties.pValue表明两种灯泡具有相同的危险率的可能性可以忽略不计，这意味着贝塔= 0。