这是我使用的 Coxph 模型的摘要输出（我使用了 R，输出基于最佳最终模型，即包括所有重要的解释变量及其相互作用）：
coxph(formula = Y ~ LT + Food + Temp2 + LT:Food + LT:Temp2 +
Food:Temp2 + LT:Food:Temp2) # Y<-Surv(Time,Status==1)
n= 555
coef exp(coef) se(coef) z Pr(>|z|)
LT 9.302e+02 Inf 2.822e+02 3.297 0.000979 ***
Food 3.397e+03 Inf 1.023e+03 3.321 0.000896 ***
Temp2 5.016e+03 Inf 1.522e+03 3.296 0.000979 ***
LT:Food -2.250e+02 1.950e-98 6.807e+01 -3.305 0.000949 ***
LT:Temp2 -3.327e+02 3.352e-145 1.013e+02 -3.284 0.001022 **
Food:Temp2 -1.212e+03 0.000e+00 3.666e+02 -3.307 0.000942 ***
LT:Food:Temp2 8.046e+01 8.815e+34 2.442e+01 3.295 0.000986 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Rsquare= 0.123 (max possible= 0.858 )
Likelihood ratio test= 72.91 on 7 df, p=3.811e-13
Wald test = 55.79 on 7 df, p=1.042e-09
Score (logrank) test = 78.57 on 7 df, p=2.687e-14
问题是：
在这种情况下如何解释系数和 exp(coef) 值，因为它们是非常大的值？还涉及到 3-case 交互，这更加混淆了解释。
到目前为止，我在网上找到的所有关于 Coxph 模型的示例都非常简单，涉及交互项（结果总是不显着）以及系数值（=危险率）和这些的指数（=危险比）已经非常小且“易于处理”的数字，例如系数 = 1.73 -> exp(coef) = 5.64。但是从摘要输出（上图）中可以看出，我的数字要大得多。而且由于它们的价值如此之大，它们几乎似乎没有任何意义。
当交互作用增加一个单位（？）时，认为存活率是例如 8.815e+34（取自交互作用 LT:Food:Temp2 的风险比）倍降低似乎有点荒谬。
实际上我也不知道如何解释这种 3-case 交互。这是否意味着当交互中的所有变量都增加一个单位时，存活率会减少一定的量（由 exp(coef) 值告知）？
如果有人可以在这里帮助我，那就太好了。:)
以下是我用于 cox 分析的数据表的一部分。在这里您可以看到，我已经多次使用相同的解释变量值（即 LT、Food 和 Temp2）来处理几个“时间、状态响应变量”。这些解释变量值已经是这些变量的平均值（由于自然界中的实地工作设置，不可能为每个观察到的响应个体获得单独的解释变量值，因此在这个阶段已经使用了平均值），这将回答建议1（？）（见第一个答案）。
建议2（见第一个答案）：我正在使用R，我还不是它的超级神。:) 因此，如果我使用函数 predict(cox.model,type="expected")，我会得到大量不同的值，并且不知道它们所指的解释变量和顺序。或者是否可以在预测函数中突出显示某些交互项？我不确定我是否在这里说得很清楚。
建议3（见第一个答案）：在下面的数据表部分，可以看到不同解释变量的单位。它们都是不同的，包括小数。这可能与考克斯的结果有关吗？
部分数据表：
Time (days) Status LT(h) Food (portions per day) Temp2 (ºC)
28 0 14.42 4.46 3.049
22 0 14.42 4.46 3.049
9 1 14.42 4.46 3.049
24 0 15.33 4.45 2.595
24 0 15.33 4.45 2.595
19 1 15.33 4.45 2.595