具有相同形状参数的威布尔随机变量具有成比例的危险率;看到威布尔分布．带尺度参数的危险率 $$\mathrm{一个}$$形状参数 $$b$$在时间 $$t$$是

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

从尺度参数为1,5和1/3且形状参数相同的威布尔分布中生成伪随机样本B．

rng默认的%用于再现性B = 2;A = ones(100,1);data1 = wblrnd(A,B);A2 = 5* a;data2 = wblrnd(A2,B);A3 = a /3;data3 = wblrnd(A3,B);

创建一个数据表。预测因子是三种变量类型，1、2或3。

predictors = categorical([A;2*A;3*A]);数据= table(predictors，[data1;data2;data3]，“VariableNames”, (“预测”“次”]);

对数据进行Cox回归拟合。

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

rate = exp(mll . coefficients . beta)

率=2×10.0278 - 8.7301

进行Cox比例风险回归灯泡数据集，其中包含模拟灯泡的寿命。灯泡数据的第一列包含两种不同类型灯泡的寿命(以小时为单位)。第二列包含一个二进制变量，指示灯泡是荧光灯还是白炽灯;0表示灯泡是荧光灯，1表示灯泡是白炽灯。第三列包含审查信息，其中0表示灯泡被观察到故障，1表示观察被审查。

加载灯泡数据集。

负载灯泡

为灯泡的寿命拟合考克斯比例风险模型，考虑审查。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 5.1936e-06

通过评价找出白炽灯和荧光灯的危害率 $$\mathrm{经验值}（Bet\mathrm{一个}）$$．

hr = exp(coxmll . coefficients . beta)

Hr = 112.8646

对危险比的估计为 $$e^{Bet\mathrm{一个}}$$= 112.8646，这意味着白炽灯的估计危害是荧光灯的112.86倍。的小值coxMdl.Coefficients.pValue表明两种灯泡的危害率相同的可能性微乎其微，也就是说β= 0。