zph()通过对变换时间使用 Schoenfeld 残差来检查比例假设。具有非常小的 p 值表明您需要注意与时间相关的系数。也就是说，比例假设不检查线性 - Cox PH 模型是半参数的，因此不对危险的形式做出任何假设。比例假设是个人的危险率在时间上是相对恒定的，这就是cox.zph()测试的内容。

如果协变量破坏了假设，则可能需要修复，因为存在时间相关系数。为了解决这个问题，您可以将系数与显式时间进行交互，或者使用基于绘制的残差的分层。有关执行此操作的详细指南，请在此处查看我的答案：Extended Cox model and cox.zph

如果不采取任何措施，它可能会使结果无效，其方式类似于打破线性回归假设的方式。

编辑：

持有文凭对求职时长与没有文凭的影响。相同的场景： coxph() 和 zph() 很重要。我可以说持有文凭对求职时间有影响吗？

很可能是的，你可以这么说。但是，鉴于比例假设测试失败，您不能相信拥有文凭的系数（让我们称之为$diploma$）。Cox 模型假设效应$diploma$有时间找工作（让我们称之为$t_{job}$) 在时间上是恒定的。这意味着如果$diploma$增加 35% 的找到工作的百分比，这种增加与时间无关。

在这种情况下$diploma$未通过比例假设，因为当cox.zph()测试显着时，需要进行调整。如果$diploma$的系数随时间线性变化（即，找工作花费的时间越多，拥有文凭的相对好处线性下降），而不是你需要添加一个交互：$diploma \times t_{job}$. 在这种情况下，价值$diploma$将是最初的（在$t_0$有文凭和没有文凭之间的区别），并且交互意味着该初始值随着时间的每一个单位（小时/天等）的减少/增加。但是你计算时间）。这样做并cox.zph()再次检查。如果它无关紧要，您可能会保留它。在特定时间点改变系数更具有理论意义。