La regresión de Cox crea un modelo predictivo para datos de tiempo hasta el evento. El modelo genera una función de supervivencia que predice la probabilidad de que se haya producido el evento de interés en un momento dado t para determinados valores de las variables predictoras. La forma de la función de supervivencia y los coeficientes de regresión para los predictores se calculan a partir de los sujetos observados; a continuación, el modelo puede aplicarse a nuevos casos que tengan mediciones para las variables del predictor.
Tenga en cuenta que la información de sujetos censurados, es decir, los que no experimentan el evento de interés durante el tiempo de observación, contribuye de manera útil al cálculo del modelo.
Ejemplo. Como parte de sus esfuerzos para reducir el abandono de clientes, una empresa de telecomunicaciones está interesada en modelar el tiempo de abandono para determinar los factores asociados con los clientes que cambian rápidamente a otro servicio. Con este fin, se selecciona una muestra aleatoria de clientes y se extrae de la base de datos el tiempo empleado como clientes (ya sean o no clientes activos) y varios campos demográficos.
Flag, con almacenamiento de serie o entero. (El almacenamiento se puede convertir utilizando un nodo Rellenar o Derivar si es necesario.) Los campos establecidos en Both o None se ignoran. Los tipos de los campos utilizados en el modelo deben estar completamente instanciados. El tiempo de supervivencia puede ser cualquier campo numérico.Fechas y Horas. Los campos Fecha y Hora no se pueden utilizar para definir directamente el tiempo de supervivencia; si tiene campos Fecha y Hora debe utilizarlos para crear un campo que contenga tiempos de supervivencia, basados en la diferencia entre la fecha de entrada en el estudio y la fecha de observación.
Análisis Kaplan-Meier. La regresión de Cox se puede realizar sin campos de entrada. Equivale a un análisis de Kaplan-Meier.