Regresja Coxa tworzy model predykcyjny dla danych w czasie do zdarzenia. Model generuje funkcję przeżycia przewidującą prawdopodobieństwo, że zdarzenie będące przedmiotem zainteresowania wystąpiło w określonym czasie (t) dla danych wartości zmiennych predyktora. Kształt funkcji przeżycia i współczynniki regresji dla predyktorów są szacowane na podstawie obserwowanych obiektów; model może być następnie zastosowany do nowych obserwacji, które zawierają pomiary dla zmiennych predyktora.

Należy zauważyć, że informacje z ocenzurowanych obiektów, czyli takich, które nie są przedmiotem zainteresowania podczas obserwacji, są przydatne podczas szacowania modelu.

Przykład. W ramach starań o zmniejszenie liczby klientów churn, firma telekomunikacyjna jest zainteresowana modelowaniem czasu do odejmowania w celu określenia czynników powiązanych z klientami, którzy szybko przełączają się na inną usługę. W tym celu wybierana jest losowa próba klientów, a ich czas spędzony jako klienci (niezależnie od tego, czy są oni nadal aktywnymi klientami) oraz różne zmienne demograficzne są pobierane z bazy danych.

Daty i godziny. Pola typu Data i czas nie mogą być używane bezpośrednio do określenia czasu przeżycia. Jeśli dostępne są zmienne Data i czas, należy wykorzystać je do utworzenia zmiennej zawierającej czasy przeżycia jako różnicę między datą wprowadzenia do badania a datą obserwacji.

Analiza Kaplana-Meiera. Regresję Coxa można stosować bez zmiennych wejściowych. Jest ona wówczas równoważna analizie Kaplana-Meiera.