Cox-Snell 残差用于评估模型的拟合优度。通过绘制 Cox-Snell 残差与累积风险函数的关系，可以评估模型的拟合度。一个拟合良好的模型将呈现一条通过原点的线性线，具有单位梯度。应该注意的是，Cox-Snell 残差需要一个特别不合适的模型才能显着偏离这一点。在图表的末端看到一些轻微的跳跃也很常见。对 Cox-Snell 残差的一个批评是它们没有考虑删失的观察结果，因此调整后的 Cox-Snell 残差由 Crowley & Hu (1977) 设计，其中标准 Cox-Snell 残差可用于未经审查的观察和$r_{Ci}$$r_{Ci}$$r_{Ci} + \Delta$其中，用于调整残差。$\Delta = \log (2) = 0.693$

鞅残差可以定义为其中被审查，则取值为 0，如果观察未被审查，则取值 1 。鞅残差的值介于和$r_{Mi}$$r_{Mi} = \delta_i - r_{Ci}$$\delta_i$$i$$i$$[1, - \infty]$$[0,- \infty]$审查意见。鞅残差可用于评估特定协变量的真实函数形式 (Thernau et al. (1990))。在该图上覆盖 LOESS 曲线通常很有用，因为它们在具有大量观察值的图中可能会很嘈杂。鞅残差也可用于评估数据集中的异常值，幸存者函数预测事件太早或太晚，但是，为此使用偏差残差通常更好。

偏差残差其中$r_{Di} = sgn(r_{Mi})\sqrt{-2 r_{Mi} + \delta_i \log{(\delta_i-r_{Mi})}}$$sgn$正鞅残差取值为 1，负鞅残差取值为 -1。高绝对值的残差表示异常值。正值偏差残差表示观察到事件发生的时间比预测的要早；对于负值残差，反之亦然。与 Martingale 残差不同，偏差残差的均值以 0 为中心，在寻找异常值时，它们比 Martingale 残差更容易解释。偏差残差的一种应用是仅使用一个建模参数对数据集进行折刀，并在删除每个观察值时测试参数系数的显着差异。一个显着的变化将表明一个非常有影响力的观察。

Schoenfeld 残差略有不同，因为每个残差对应一个变量，而不是一个观察值。使用 Schoenfeld 残差是为了检验比例风险假设。Grambsch 和 Thernau (1994) 提出缩放 Schoenfeld 残差可能更有用。通过针对每个变量的 Schoenfeld 残差绘制事件时间，可以通过将 LOESS 曲线拟合到图中来评估变量是否符合 PH 假设。一条通过残差值为 0 且梯度为 0 的直线表示该变量满足 PH 假设，因此不依赖于时间。Schoenfeld 残差也可以通过假设检验来评估。