比例风险的全局测试没有得到很好的校准。您没有控制多重比较。很难衡量测试的力量。在大多数样本量中，该测试在大样本量下任意强大。您确定的协变量可能是一个虚假的发现，并且它源于对事件发生时间数据的观察中的自然变化。$\alpha=0.05$

即使风险不成比例，改变模型以适应一组假设也会从根本上改变科学问题。正如 Tukey 所说，“最好是对确切问题的近似答案，而不是对近似问题的确切答案。” 如果要在存在非比例风险的情况下拟合 Cox 模型，那么净效应是什么？功率略小。事实上，您可以通过稳健的标准误差（指定robust=TRUE或cluster = ~id）恢复大部分功能。在这种情况下，（指数化的）模型系数的解释是风险比的时间加权平均值——我每次都这样做。

当对随时间变化的实际风险比感兴趣时，可以使用灵活的方法来估计其值。您可以使用基样条创建灵活的多项式时间表示，并拟合它们与协变量的交互以估计风险比时间函数。Cox 模型的威力可能会因此受到影响。使用对时间进行样条调整的参数指数生存模型可以很好地逼近 Cox 模型的半参数推断，并且能够更好地检测时间与一个或多个协变量的相互作用。

如果假设检验是您的主要目标，那么您根本不应该做任何事情，并坚持使用您在查看数据之前预期使用的模型。

根据 cox.zph() 测试的结果更改预定义模型可能会导致估计有偏差和 p 值无效。

参见 Sim 论文：https ://harlanhappydog.github.io/files/SiM.pdf