COX回归模型，又称“比例风险回归模型(proportional hazards model，简称Cox模型)”，是由英国统计学家D.R.Cox(1972)年提出的一种半参数回归模型。该模型以生存结局和生存时间为因变量，可同时分析众多因素对生存期的影响，能分析带有截尾生存时间的资料，且不要求估计资料的生存分布类型。由于上述优良性质，该模型自问世以来，在医学随访研究中得到广泛的应用，是迄今生存分析中应用最多的多因素分析方法。

在介绍Cox回归模型之前，先介绍几个有关的概念。

1.生存函数具有变量的观察对象的生存时间大于某时刻的概率，

称为生存函数。生存函数又称为累积生存率。

2. 死亡函数具有变量的观察对象的生存时间不大于某时刻的概率，

称为死亡函数。死亡函数的实际意义是当观察随访到时刻的累积死亡率。

3. 死亡密度函数具有变量X的观察对象在某时刻t的瞬时死亡率，称为死亡密度函数。

4. 危险率(风险)函数具有变量X，且生存时间已达到的观察对象在时刻的瞬时死亡率，

危险率函数实际上是一个条件瞬间死亡率。

生存分析的主要目的在于研究变量X与观察结果即生存函数(累积生存率) 之间的关系。当 受很多因素影响，即 为向量时，传统的方法是考虑回归方程——即诸变量 对 的影响。但由于生存分析研究中的数据包含删失数据。且时间变量t通常不满足正态分布和方差齐性的要求，这就造成了用一般的回归方法研究上述关系的困难。

Cox回归模型的基本形式

D.R.Cox提出了Cox比例风险回归模型，它不是直接考察 与X的关系，而是用 作为因变量，模型的基本形式为：

式中， 为自变量的偏回归系数，它是须从样本数据作出估计的参数； 是当X向量为0时， 的基准危险率，它是有待于从样本数据作出估计的量。公式(1)简称为Cox回归模型。

由于Cox回归模型对 未作任何假定，因此Cox回归模型在处理问题时具有较大的灵活性；另一方面，在许多情况下，我们只需估计出参数 (如因素分析等)，即使在 未知的情况下，仍可估计出参数 。这就是说，Cox回归模型由于含有 ，因此它不是完全的参数模型，但仍可根据公式(1)作出参数 的估计，故Cox回归模型属于半参数模型。

公式(1)可以转化为：

Cox回归模型的假定

1. 比例风险假定 各危险因素的作用不随时间的变化而变化，即 不随时间的变化而变化。因此，公式(1)又称为比例风险率模型(PH Model)。这一假定是建立Cox回归模型的前提条件。

2．对数线性假定 模型中的协变量应与对数风险比呈线性关系，如公式(2)。

Cox回归模型中偏回归系数的意义

若 是非暴露组观察对象的各因素取值， 是暴露组观察对象的各因素取值，由公式(3)就可以求出暴露组对非暴露组的相对危险度RR。

由公式(2)可见，模型中偏回归系数 的流行病学含义是在其他协变量不变的情况下，协变量 每增加一个测定单位时所引起的相对危险度的自然对数的改变量。即

式中， 分别表示在不同情况下的取值。当协变量 分别取1和0时，其对应的 为

从公式(1)和公式(4)可以看出有如下关系：

若 ，则各 取值越大时， 的值越大，即 为危险因素。

若 ，则各 的取值对 的值没有影响，即 为无关因素。

若 ，则各 取值越大时， 的值越小，即 为保护因素。

Cox回归模型中的偏回归系数可以通过建立偏似然函数，利用Newton-Raphson迭代法求得。其他自变量不变的情况下，变量 每增加一个单位，相对危险度 的 可信区间为：

式中为的标准误。

对于回归模型的假设检验通常采用似然比检验、Wald检验和记分检验，其检验统计量均服从分布，其自由度为模型中待检验的自变量个数。一般说来，Cox回归系数的估计和模型的假设检验计算量较大，通常需利用计算机来完成相应的计算。

提出“COX回归模型”的著名统计学家David Cox去世。