コックス比例ハザードモデルの母数を推定し検定する：

と についての母数推定は5%の水準で両方とも0から有意に隔たっている：

フィットされたモデルを共変量を含まない帰無モデルと比較する：

相対的なリスクと母数推定について95%の信頼区間を形成する：

生存確率を求め，モデル推定をプロットする：

が25に固定されているときの，さまざまな水準の の生存率をベースラインの生存率と比較する：

が25に固定されているときの，の2つの水準の生存時間の中央値を計算する：

ベースライン生存期間中央値：

水準 と水準 の個体が20を超えて生存する確率：

同じ確率についての95%信頼区間：

層をなすモデルをフィットする：

各層における観察数：

水準 と水準 について異なる形式のハザード関数をプロットする：

モデルの母数表：

カテゴリ的な予測器変数を持つモデルをフィットする：

データの各水準についての推定累積分布関数のプロット：

モデルにインタラクション項を加える：

このモデルには有意なインタラクションは検知されない：

インタラクション項では名義変数と階層変数を使うことができる：

モデル母数を特定の帰無仮説に対して検定する：

の検定を行う：

第2母数を解放して の検定を行う：

対比行列を使って母数の線形結合の検定を行う：

次の帰無仮説の検定を行う：

対比行列のみを指定すると次の形の仮説の検定が行われる：

モデルで使用可能な特性のリストを示す：

共変量がないモデル （帰無モデル）を作る：

このモデルは単にベースライン生存率の推定である：

等価の帰無モデル：

基底関数は使用可能な変数のどれをモデルに含むべきかを指定する：

4つの共変量のそれぞれに対応する母数推定：

すべての変数を基底関数で使わなければならない訳ではない：

基底関数は関数型のモデル項も制御する：

モデルの項の母数推定：

EventDataを使って右打切りあるいは左打切りの応答時間を指定する：

ランダムに右打切りされた応答を持つCoxモデル：

母数推定と母数の信頼区間を得る：

モデル母数 と相対的なリスク推定 ：

母数推定についての信頼区間：

母数の集計表：

母数表からの項目：

さまざまなモデル残差を得る：

マルチンゲール残差，コックス–スネル(Snell)残差，逸脱残差：

DFBETAsとスケールされたDFBETAS：

スコア残差とSchoenfeld残差：

選択した適合度尺度を計算する：

大域的仮説検定を行う：

大域的モデル有意性の3つの検定：

検定表からの項目：

個々の検定統計：

局所仮説を検定する：

かどうかの検定を行う：

検定表からの項目：

SurvivalFunction，CDF，あるいは累積ハザード関数の推定を計算する：

共変量の水準が と で推定されたSurvivalFunction：

時間 における推定されたベースラインSurvivalFunction，CDF，累積ハザード関数：

推定されたSurvivalFunctionの集計を表にする：

共変量の水準 と についての生存率集計：

表からの項目：

分布関数推定の特性のデフォルトは"SF"である：

累積ハザード関数を表にする：

点ごとの信頼帯と信頼区間を計算する：

共変量の水準 と での点ごとの生存信頼区間の集合：

これらはモデル"EstimationPoints"で評価された"PointwiseBands"である：

同時信頼帯と同時信頼区間を推定する：

共変量の水準と についてのHall–Wellner同時信頼区間の集合：

これらはモデル"EstimationPoints"で評価された"HallWellnerBands"である：

代りに"EqualPrecisionIntervals"を使って同時信頼を測ることもできる：

生存率推定と信頼帯をプロットする：

95%のポイントごとの信頼帯でベースラインの生存関数と累積ハザード関数をプロットする：

共変量の水準が と での同じプロット：

生存時間の中央値を推定する：

ベースラインにおける共変量の水準が と の生存時間の中央値：

平均生存時間を推定する：

生存関数は右打切りのため0にはならない．平均は明確には定義されていない：

残った確率にモデルを加えると平均が推定できるようになる：

母数の信頼区間の信頼水準を変える：

90%の信頼水準を使う：

この水準はフィットした後で変えることができる：

90%の信頼帯での生存率推定をプロットする：

90%の点ごとの信頼帯でベースライン生存関数をプロットする：

この水準はフィットした後で変えることができる：

ConfidenceLevelの設定値も集約表に使われる：

90%の信頼限界での累積ハザード関数を集約する：

同時区間と同時帯の信頼範囲を設定する：

帯は信頼範囲内でのみ定義される：

デフォルトで範囲はAllに設定されている：

範囲をFullに設定する：

信頼区間と信頼帯に変換を適用する：

使用可能な変換集合：

デフォルトで，"LogLog"の帯と区間が使われる：

区間と帯が適切に有界になることが変換で保証される：

線形信頼限界が1を超える，あるいは0より小さくなる可能性があることに注意のこと：

"LogLog"変換を使うとこの問題が解決される：

カスタムの変換を定義する：

さまざまな名前付き変換の明示的な定義：

タイがある事象時間を扱うときに使うメソッドを選ぶ：

デフォルトメソッドはBreslowの部分尤度を最大にする：

タイの比率が高い場合，推定が甚しく異なる可能性がある：

タイがある事象時間が存在しない場合は，すべてのメソッドが同等である：

ベースラインハザードの推定器を選ぶ：

デフォルトで，ベースラインハザード推定器はタイのメソッドにマッチされる：

通常，推定器はほぼ同じになる：

タイとベースラインのメソッドの任意の組合せを使うことができる：

最後の観察が打ち切られている場合，その点の先の生存率はIndeterminateである：

"TailModel"という下位のオプションを使うとこの動作を制御することができる：

2つのカテゴリ的な予測器，種，処置を含む仮説データ：

リストの中で複数の名義変数を指定することができる：

処置の存在で5%水準でのリスクが有意に減少している：

種と処置の予測器を含むある仮説データの層になっているコックスモデルを作成する：

ここでは，処置の予測器が名義変数として，種の予測器が層の変数として扱われている：

層の変数には母数が推定されていない：

リストを使って複数の層を割り当てることができる：

各層についてのベースライン生存関数：

計算に使われる精度を指定する：

30桁精度を使う：

ミミダニ駆除のための新しい治療の被験者として16匹の犬と9匹の猫が選ばれた．各動物に従来の薬か新薬が無作為に割り当てられる．再度ミミダニが付くまでの期間（単位：週）が新薬によって延びるかどうかを調べる：

種別に層になった比例ハザードモデルをフィットする：

新たな治療法は再度ミミダニが付くまでの期間を有意に延長するように見える：

Cox–Snell残差プロットを使ってフィットを評価する：

プロットによると，このモデルはデータに合理的にフィットしている：

喉頭癌と診断された90人の男性患者の観察が行われた．各患者は最初期のステージ1から最後期のステージ4までに分類された．興味があるのは癌のステージと生存率に有意の関連性があるかどうかである：

次の表はステージ1と比較した場合の各ステージにおける相対的な死のリスクである：

ステージ2の患者が死亡するリスクは5%水準でステージ1の患者とあまり変わらない：

ステージ2の喉頭癌患者と比べてステージ4の喉頭癌患者が死亡する相対的なリスクを推定する：

ステージ2とステージ4の喉頭癌患者の母数推定：

母数共分散行列を使って推定の標準誤差を計算する：

5%水準では，死亡リスクはステージ4の患者の方がステージ2の患者と比べて高い：

各ステージの50歳の患者の生存率を視覚的に比較する：

トレンドがないという帰無仮説のもとで，喉頭癌のステージが上がると死亡リスクも高くなるかどうかの検定を行う：

ステージごとに層化されたコックスモデルをフィットする：

順番に層化されている場合は，LogRankTestを使ってトレンドの検定を行うことができる：

ステージの4つの水準に基づくトレンドの検定統計：

正ではないトレンドの帰無仮説を棄却する．死亡率はステージが上がるにつれて上がるように見える：

進行した急性骨髄性白血病の患者101人の記録が行われた．患者の51人が自己骨髄移植を受け．50人が同種骨髄移植を受けた．興味があるのはこのデータに比例ハザードモデルが有効であるかどうかである：

移植タイプで層化してモデルをフィットする：

対数累積ハザード関数は交差しており，非比例ハザードを示唆している：

対数累積ハザード関数における差は一定ではない：

累積ハザードのAndersonプロットは線形ではない：