如果您有一个解释变量，比如治疗组，则 Cox 回归模型符合coxph(); 系数 ( coef) 读取为回归系数（在 Cox 模型的上下文中，如下所述），其指数为您提供治疗组的危险（与对照组或安慰剂组相比）。例如，如果$\hat\beta=-1.80$，那么危险是$\exp(-1.80)=0.165$，即 16.5%。

如您所知，危险函数建模为

$$h(t)=h_0(t)\exp(\beta'x)$$

在哪里$h_0(t)$是基线危险。风险乘法依赖于协变量，并且$\exp(\beta_1)$是两个人之间的风险比，其值为$x_1$当所有其他协变量保持不变时，相差一个单位。任意两个人的危害之比$i$和$j$是$\exp\big(\beta'(x_i-x_j)\big)$，称为风险比（或发生率比）。假设该比率随时间保持不变，因此称为比例风险。

为了回应您之前关于 的问题survreg，这里的形式是$h_0(t)$未指定；更准确地说，这是一个半参数模型，因为只有协变量的影响被参数化，而不是风险函数。换句话说，我们不对生存时间做出任何分布假设。

通过最大化由下式定义的部分对数似然估计回归参数

$$\ell=\sum_f\log\left(\frac{\exp(\beta'x_f)}{\sum_{r(f)}\exp(\beta'x_r)}\right)$$

第一个总和是所有死亡或失败的总和$f$，第二次求和是针对所有科目的$r(f)$在失败时仍然活着（但有风险）——这被称为风险集。换句话说，$\ell$可以解释为日志配置文件的可能性$\beta$消除后$h_0(t)$（或者换句话说，LL$h_0(t)$已被以下功能取代$\beta$最大化关于的可能性$h_0(t)$对于固定向量$\beta$）。

关于删失，尚不清楚您是指左删失（如果我们认为时间尺度的起源早于观察开始的时间，也称为延迟进入），还是右删失。无论如何，有关回归系数的计算以及生存包如何处理审查的更多细节可以在 Therneau 和 Grambsch, Modeling Survival Data (Springer, 2000) 中找到。Terry Therneau是前 S 包的作者。提供在线教程。

R 中的生存分析，作者 David Diez，很好地介绍了 R 中的生存分析。$\chi^2$回归参数的测试给出了 p。10. 希望这有助于澄清@onestop引用的在线帮助，“系数线性预测器的系数，它乘以模型矩阵的列。” 对于一本应用教科书，我推荐使用 Everitt 和 Rabe-Hesketh 的《Analyzing Medical Data Using S-PLUS》（Springer，2001 年，第 16 和 17 章），以上大部分内容均来自该教材。另一个有用的参考资料是 John Fox 关于Cox Proportional-Hazards Regression for Survival Data的附录。

引用 coxph 对象的 print 方法的文档，通过键入在 R 中获得?survival::print.coxph：

coefficients 线性预测器的系数，它与模型矩阵的列相乘。

这就是包的作者提供的所有文档。该软件包不包含用户指南或软件包插图。R 的设计初衷不是对用户友好，并且文档假定您已经了解所涉及的统计方法。

我假设该coef列给出了上述内容coefficients，并且该exp(coef)列是这些的指数。由于 Cox 回归涉及对数链接函数，因此系数是对数风险比。因此，将它们取幂可以返回风险比。