Les méthodes d`analyse de la survie, telles que la régression des risques proportionnels diffèrent de la régression logistique en évaluant un taux au lieu d`une proportion. La régression des risques proportionnels, également appelée régression de Cox, modélise l`incidence ou le taux de risque, le nombre de nouveaux cas de maladie par population à risque par unité de temps. Si le résultat est la mort, c`est le taux de mortalité. La fonction de danger est la probabilité que si une personne survit à t, ils feront l`expérience de l`événement dans le prochain instant. Alors que la méthode de Kaplan-Meier avec test log-Rank est utile pour comparer les courbes de survie dans deux groupes ou plus, la régression de Cox (ou régression des risques proportionnels) permet d`analyser l`effet de plusieurs facteurs de risque sur la survie. Le modèle Cox peut être écrit comme une régression linéaire multiple du logarithme du danger sur les variables (x_i ), le risque de référence étant un terme d`interception qui varie avec le temps. La variable diam a été trouvée pour ne pas contribuer significativement à la prédiction du temps, et n`a pas été incluse dans le modèle. Nous appelons H (t)/H0 (t) le hazard ratio. Les coefficients bi… BK sont estimés par régression de Cox et peuvent être interprétés de manière similaire à celle de la régression logistique multiple. Le terme modèle de régression de Cox (en omettant les risques proportionnels) est parfois utilisé pour décrire l`extension du modèle Cox pour inclure des facteurs dépendant du temps. Cependant, cette utilisation est potentiellement ambiguë puisque le modèle de risques proportionnels de Cox peut lui-même être décrit comme un modèle de régression.

Q: l`occurrence d`un événement cardiovasculaire majeur est une réponse binaire. La régression logistique, avec l`IMC comme variable prédictitrice, serait-elle appropriée pour analyser ces données? Une régression de Cox de temps à mort sur les covariables temps-constantes est spécifiée comme suit: dans les études prospectives, lorsque les individus sont suivis au fil du temps, les valeurs des covariables peuvent changer avec le temps. Les covariables peuvent donc être divisées en fixe et dépendant du temps. Une covariable dépend du temps si la différence entre ses valeurs pour deux sujets différents change avec le temps; par ex. cholestérol sérique. Une covariable est fixée si ses valeurs ne peuvent pas changer avec le temps, par exemple