(完整版)ansysetable提取结果
ANSYS etable提取结果
etable提取运算结果
ansys求解完结束后，会把计算结果保存在结果表中，行是单元的编号，列是计算信息，如节点位移、节点力、应力、应变等。
ETABLE这个命令就是把表中的需要的信息取出来，赋值给某个自定义的向量，再通过*GET
命令可以指定某个具体的单元，就可以把该单元的对应计算结果提取出来了。
ETABLE, Lab, Item, Comp
命令选项解释：
Lab
自定义的表名，用于后续命令或输出的标题，最多可使用8个字母，不可与预定义的表名称重复。默认的表名是Item和Comp项的前四个字母组合而成的8个字母。如果与用户之前定义的表名相同，本次结果将被包括在同一表中。最多可定义200个不同的表名。以下表名是ANSYS预定义的，不可用作用户自定表名：REFL, STAT, 和ERAS. Lab = REFL以ETABLE的最新选项重写所有ETABLE命令预定义的表，但保留字段将被忽略，这个命令在载荷步改变后重写表时很方便。Lab = STAT将显示储存的表的值。Lab = ERAS将删除整个表。
Item
选项名称。常用的选项名称见后表。某些选项需要栏目名。Item = ERAS将删除表中的某一栏。
Comp
选项的栏目名（如果需要的话）。常用的栏目名见后表。
说明：
定义单元值的表以便后续处理。单元值表可以被认为是工作表，其行代表所有被选择的单元。其列代表通过ETABLE命令输入表中的单元值。每一列数据有一个用户定义的名称，用于列表和显示。
将数据输入单元表后，你不仅可以列出和显示你的数据，还可以对数据进行许多操作，例如列相加或列相乘[SADD, SMULT]，为安全计算定义允许的应力[SALLOW]，或者将一列数据和另一列相乘[SMULT]。更多的细节请看ANSYS Basic Analysis Guide。
有很多不同类型的数据结果可以被存在单元表中。例如，许多单元的选项只有一个值（也就是说，每一个单元对应此选项只有一个值）单一值的选项包括：SERR, SDSG, TERR, TDSG, SENE, TENE, KENE, JHEAT, JS, VOLU和CENT. 其余的选项是多个值的（也就是说，这些值在单元中是变化的，每个节点有不同的值）。因为每个单元只能有一个值存在单元表中，多值的选项存入的是平均值（视节点数而定）。例外的是FMAG和所有的单元力选项，它们存入的是相关节点值的和。（这段话的意思是说，单值的单元选项，如单元体积，存入表中的就是这个值；而在单元不同位置有不同值的选项，如应力？，写入表中的是单元的平均值。根本原因在于一个单元只能对应表中的一个数据。）
ETABLE命令中可以使用两种数据访问方法，视你想储存的数据不同而不同。一些结果只用通用名就可以访问（要素名法），而另一些结果需要一个标志名和标志数（序列数法）。要素名法用于访问常用的单元数据（也就是说，绝大部分单元类型都有的数据）。所有的单值选项以及一部分多值选项可以用要素名法访问。不同的单元值视计算方法不同和选择集不同而不同。(AVPRIN, RSYS, LAYER, SHELL,和ESEL)
尽管节点值不用单元表也可以很容易地列出和显示，你仍然可能需要利用单元表储存这些节
点数据以便后需的操作。要素名法的选项名和栏目名见后表。序列数法可以使你访问那些非平均值的结果（例如节点的压力，连接点的温度等等），或者是那些不宜用普通格式描述的数据（例如结构线单元和接触单元的导出数据，热线单元、层单元的导出数据等）。描述不同单元的这些选项（如LS, LEPEL, LEPTH, SMISC, NMISC, SURF等）和对应的序列数的表请见ANSYS Elements Reference.
一些单元表数据是基于结果坐标系的，这些数据包括所有的要素结果（例如：位移UX, UY，应变SX, SY等）。求解器把要素结果依照求解坐标系写入数据库。当你使用ETABLE的时候，这些结果在写入表中之前被转换为结果坐标系。默认的结果坐标系是global坐标[RSYS,0]。所有其他的数据在从数据库中提取出来写入表中时没有经过坐标转换。使用PRETAB, PLETAB, or ETABLE,STAT命令可以显示存储的表值。使用ETABLE,ERAS命令删除整个表，使用ETABLE,Lab,ERAS命令删除表中名为Lab的栏。
在GUI界面下，如果对话框将某一单元表的DELETE命令写入日志文件（Jobname.LOG or Jobname.LGW），你会发现明令行中的Lab为空缺，Item = ERASE，而Comp是一个整数。在这种情况下，GUI给Comp指定了一个值，这个值对应于列表框中被选择的变量名，这并不表明你也要在ANSYS中给Comp输入这样一个值。然而，包括如此由GUI产生的ETABLE命令的文件可以用作批处理输入或用于/INPUT命令。
ETABLE－常用选项和选项栏目表
Item选项Comp选项栏目Description描述
自由度结果可用选项
U X, Y, Z X, Y, Z方向的位移
ROT X, Y, Z X, Y, Z方向的旋转
TEMP 温度
PRES 压力
VOLT 电压
MAG 磁梯度位
V X, Y, Z X, Y, Z方向流体速度
A X, Y, Z X, Y, Z方向磁矢量差
CURR 电流
EMF 电动势降
ENKE 紊流动能
ENDS 紊流能量损失
SP0n 核质量分率
FLOTRAN节点结果可用选项
TTOT 总温度
HFLU 热流量
HFLM 热传导系数
COND 层流传导率
PCOE 压力系数
PTOT 总压力
MACH 马赫数
STRM 流量函数
DENS 流体密度
VISC 层流粘性
EVIS 流体有效粘性
ECON 流体有效传导率
YPLU Y+ 参数
TAUW 壁剪切应力
LMDn 核素片质量扩散率
EMDn 核素有效质量扩散率
单元结果可用选项
S X, Y, Z, XY, YZ, XZ 各方向应力
S 1,2,3 主应力
S INT 应力强度
S EQV 相当应力
EPEL X, Y, Z, XY, YZ, XZ 各方向弹性应变
EPEL 1, 2, 3 主弹性应变
EPEL INT 弹性应变强度
EPEL EQV 弹性等效应变
EPTH X, Y, Z, XY, YZ, XZ 各方向热应变
EPTH 1, 2, 3 主热应变
EPTH INT 热应变强度
EPTH EQV 热相当应变
EPPL X, Y, Z, XY, YZ, XZ 各方向塑性应变
EPPL 1, 2, 3 主塑性应变
EPPL INT 塑性应变强度
EPPL EQV 塑性相当应变
EPCR X, Y, Z, XY, YZ, XZ 各方向蠕变应变
EPCR 1, 2, 3 主蠕变应变
EPCR INT 蠕变应变强度
EPCR EQV 蠕变相当应变
EPSW 膨胀应变
EPTO X, Y, Z, XY, YZ, XZ 各方向总机械应变（不包括热应变），即EPEL + EPPL + EPCR
EPTO 1, 2, 3 总主机械应变
EPTO INT 总机械应变强度
EPTO EQV 总机械相当应变
EPTT X, Y, Z, XY, YZ, XZ 各方向总应变（包括热应变），即EPEL + EPTH + EPPL + EPCR
EPTT 1, 2, 3 总主应变
EPTT INT 总应变强度
EPTT EQV 总相当应变
NL SEPL 相当应变（基于应力－应变图）
NL SRAT 应力状态比率
NL HPRES 流体静力学压力
NL EPEQ 累积塑性相当应变
NL PSV 塑性状态变量（仅适用于VISCO106, VISCO107, and VISCO108）
NL PLWK 塑性体积（仅适用于VISCO106, VISCO107, and VISCO108）SEND ELASTIC 弹性应变能量密度
SEND PLASTIC 塑性应变能量密度
SEND CREEP 蠕变应变能量密度
TG X, Y, Z, SUM 各方向热梯度或矢量和
TF X, Y, Z, SUM 各方向热通量或矢量和
PG X, Y, Z, SUM 各方向气体压力梯度或矢量和
EF X, Y, Z, SUM 各方向电场或矢量和
D X, Y, Z, SUM 各方向电通量密度或矢量和
H X, Y, Z, SUM 各方向磁场强度或矢量和
B X, Y, Z, SUM 各方向磁感应密度或矢量和
FMAG X, Y, Z, SUM 各方向磁力或矢量和
SERR 结构误差能量
SDSG 节点应力最大改变量的绝对值
TERR 热误差能量
TDSG 节点热梯度最大改变量的绝对值
F X, Y, Z 各方向力，为单元各节点力的和
M X, Y, Z 各方向力矩，为单元各节点力矩的和
HEAT 热流速，为单元各节点热流速的和
FLOW 流体流速，为单元各节点流速的和
AMPS 电流，为单元各节点电流的和
FLUX 磁通量，为单元各节点磁通量的和
VF X, Y, Z 各方向流体力
CSG X, Y, Z 磁流片段
SENE 硬度能量或热消散（取决于单元），同TENE.
AENE 单元的人工能量。
TENE 热量消散或刚度能量。同SENE
KENE 动能（使用所有有意义的单元）
JHEAT 单元焦耳热
JS X, Y, Z, SUM 低频磁分析的源电流密度。低频磁分析的总源电流密度（SUM）
。
JT X, Y, Z, SUM 低频磁分析的传导电流密度。SUM为电流和
JC X, Y, Z, SUM 支持传导电流的单元的传导电流密度。SUM为电流和。
MRE 磁雷诺数。
VOLU 单元体积。2-D plane单元必须指定厚度，2-D axisymmetric（轴对称）单
元要使用360度。
CENT X, Y, Z 无变形的质心位置（当前坐标系）。
BFE TEMP 求解中的体温度。（仅适用面单元和体单元）
SMISC snum 单元在序号snum的可加和数据。
NMISC snum 单元在序号snum的不可加和数据。
SURF snum 单元在序号snum的面数据值。
snum的含义请参见单元参数手册
CONT STAT 接触状况。STAT取3为粘性关闭，取2为封闭滑动，取1为开放近接触，取0为开放非近接触。
CONT PENE 接触渗透（>=0）
CONT PRES 接触压力
CONT SFRIC 接触摩擦应力。
CONT STOT 接触总应力（压力+摩擦力）。
CONT SLIDE 接触滑动距离。
CONT GAP 接触间隙（0或负数）。
CONT FLUX 接触表面的总热流量。
CONT CNOS 在子步中总的接触状况改变数。
TOPO 拓扑优化中使用的密度。用于PLANE2, PLANE82, SOLID92, SHELL93,SOLID95单元
GET命令的使用方法
*get命令的使用格式为：
*GET,Par，Entity，ENTUM,Item1，ITNUM,ITEM2，IT2NUM
其中：
PAR是存储提取项的参数名，
Entity是被提取项目的关键字，有效的关键字是NODE,ELEM,KP,LINE,AREA,VOLU,等Item是指某个实体的项目名，例如entity是elem，那么item1要么是NUM（选择集中最大或最小的单元编号），要么是count（选择集中的单元数目），
下面介绍几个常用的*get格式：
*get，nnum，node,,count !得到所选节点的总数存放到nnum中，可将node替换为其他实体，单元，关键点，线面等
*get,nmin,node,,num,min ！得到所选节点的最小标号，将min改为max则为最大编号，node可替换为其他实体
*get，nnxt，node,nmin,nxth !得到所选节点中比nmin节点编号大的最小节点编号，nxth 换为nxt1则比nmin及诶单编号小
*get，nxmax，node，，mxloc，x ！得到所选节点的最大X坐标，mxloc换为mnloc则为最小x坐标
*get，len，line，in，leng ！得到编号为ln的线的长度，同理可得到面的面积及体的体积
*get，nt，node，nn，temp ！得到节点ｎｎ的温度
*get，nux,node,nn,u,x ！得到节点你那的x方向位移，yz同理
*get，nsx，node，nn，s，x ！得到节点nn的x方向应力，y、z、xy、xz、yz、1、2、3、eqv等同理
cox回归分析
生存分析之COX回归分析 1、生存分析,就是将终点事件出现与否与对应时间结合起来分析得一种统计方法; 2、生存时间,就是从规定得观察起点到某一特定终点事件出现得时间,如膀胱癌术后5年存活率研究,及膀胱癌手术为观测起点,死亡为事件终点,两点为生存时间; 3、完全数据,观测起点到终点事件所经历得时间,上述例子即膀胱癌手术到因膀胱癌死亡得时间; 4、删失数据,因失访、研究结束终点事件未发生或患者死于规定得终点事件以外得原因而终止观察,不能确定具体生存时间得一类数据; 5、生存概率,表示某时段开始存活得个体到该时段结束仍存活得概率,p=活满某时段得人数/该时段期初有效人口数; 6、生存率,为观察起点起到研究时间点内各个时段得生存概率得累积概率,S(tk)=p1、p2、pk=S(tk-1)、pk; 7、生存曲线,以生存时间为横轴,将各个时间点得生存率连在一起得曲线图; 8、中位生存期,又称半数生存期,表示50%得个体存活得时间; 9、PH假定(等比例风险假定),某研究因素对生存得影响不随时间得改变而改变,就是COX回归模型建立得前提条件。 Cox回归分析及其SPSS操作方法概述 前面我们已经讲过生存分析及KM法得内容,详细可以回复数字26－28查瞧。但有对统计不太熟悉得“微粉”还不太明白生存分析与一般统计得区别,不知道如何区别Cox回归与Logistic回归。在我们做研究时,有时我们不仅关心某种结局就是否出现,还会关心结局出现得时间,例如肺部手术后观察五年生存率,一个有在1年之后死亡,另外一个人在在4、5后死亡,如果只瞧第5年时得结局,两者就是一样得(均死亡),但就是实际我们认为后者得治疗效果可能优于前者,即生存分析同时考虑结局与结局出现得时间,而一般分析只考虑结局。另外在队列随访时,可能有人在没有到5年时就失访了,如迁徙或者电话更改,我们不了解其结局如何,在一般得分析中这种病例无法使用,而中间失访得病例结局可能更差,如果直接扔掉,可能会产生偏倚;而用生存分析,这种病例可以给我们提供部分资料,即我们记录最后一次随访时病例得状态,失访前得资料可以用于分析。 我们先回顾一下生存分析得KM法与寿命表法(回复数字26与27可以查瞧KM法得详细内容),其共同点就是只能分析一种因素与生存率得关系,Log-Rank法也就是比较一个因素两种水平间得生存差别,如果生存 率得影响因素有很多,我们怎么避免其它混杂因素得影响呢？我们可以使用回归分析方法,但如果使用logistic回归,也就是只能观察影响因素与结局得关联,没有考虑结局发生得时间因素。Cox回归可以解决这个问题。Cox回归一般模型假设为 其中h(t,X)就是在时刻t得风险函数又可称瞬时死亡率,h(0,t)就是基线风险率,其它与logistic回归模型相同。βj大于0则x j越大,病人死亡风险越大,βj小于0则x j越大,病人死亡风险越小,βj等于0则x j 越与死亡率没有影响。Exp(β)为危险比(HR)或相对危险度(RR)。 下面以一个例子说明在SPSS中作Cox回归如何操作。
Stata统计分析命令
Stata统计分析常用命令汇总 一、winsorize极端值处理 范围：一般在1%和99%分位做极端值处理，对于小于1%的数用1%的值赋值，对于大于99%的数用99%的值赋值。 1、Stata中的单变量极端值处理： stata 11.0，在命令窗口输入“findit winsor”后，系统弹出一个窗口，安装winsor模块 安装好模块之后，就可以调用winsor命令，命令格式：winsor var1, gen(new var) p(0.01) 或者在命令窗口中输入：ssc install winsor安装winsor命令。winsor命令不能进行批量处理。 2、批量进行winsorize极端值处理： 打开链接：https://www.360docs.net/doc/f32480272.html,/judson.caskey/data.html，找到winsorizeJ，点击右键，另存为到stata中的ado/plus/目录下即可。命令格式：winsorizeJ var1var2var3,suffix(w)即可，这样会生成三个新变量，var1w var2w var3w，而且默认的是上下1%winsorize。如果要修改分位点，则写成如下格式：winsorizeJ var 1 var2 var3,suffix(w) cuts(5 95)。 3、Excel中的极端值处理：（略） winsor2 命令使用说明 简介：winsor2 winsorize or trim (if trim option is specified) the variables in varlist at particular percentiles specified by option cuts(# #). In defult, new variables will be generated with a suffix "_w" or "_tr", which can be changed by specifying suffix() option. The replace option replaces the variables with their winsorized or trimmed ones. 相比于winsor命令的改进： (1) 可以批量处理多个变量； (2) 不仅可以winsor，也可以trimming； (3) 附加了by() 选项，可以分组winsor 或trimming； (4) 增加了replace 选项，可以不必生成新变量，直接替换原变量。 范例： *- winsor at (p1 p99), get new variable "wage_w" . sysuse nlsw88, clear . winsor2 wage *- left-trimming at 2th percentile . winsor2 wage, cuts(2 100) trim *- winsor variables by (industry south), overwrite the old variables . winsor2 wage hours, replace by(industry south) 使用方法: 1. 请将winsor 2.ado 和winsor2.sthlp 放置于stata12\ado\base\w 文件夹下； 2. 输入help winsor2 可以查看帮助文件；
cox回归结果解析
筛选变量的方法：第一步，结合临床，临床认为有关的变量均筛选出来。第二步.应用双变量的相关分析，把显著相关的变量筛选出来，保留临床意义更大的那个。第三步，应用Kaplan-Meier法对每个危险因素的两个暴露水平做生存曲线，若曲线存在交叉，则不能应用Cox生存分析（Cox生存分析也称比例风险回归，它包含一个假定，即在随访期间暴露于预后因素与非暴露的风险比例维持恒定），这类变量需应用更复杂的非比例风险回归模型，这里将不详述了。第四步，单因素分析。可应用COX生存分析的第0步结果作为单因素分析的结果。可在SPSS的Cox回归里选择任何一种前进法，在Option中选择at each step，取因子筛选第0步的Score检验结果作为单因子Cox回归分析的结果。也有文章的单因素分析对于离散型变量应用卡方检验和连续型变量应用t检验，等级资料应用双变量相关分析。 最后，将进行Cox回归分析。应用SPSS中analysis-survival-cox regression.在time一栏中选择生存时间；在state一栏中选择数据状态（在数据编码中已经介绍），在激活的define event一栏中设定single value为1。这里要强调几个小问题：1，SPSS可以支持研究者做两个或以上的变量的共同效应，需在主对话框中同时选中需研究的变量两个或两个以上，这样协变量框中的>a*b>才会被激活。2，分类变量，在这里被称为哑变量，需单击categorical，然后将分类变量选入对话框。 最后得到的结果，B为协变量的系数，Exp（B）为相对危险度。可得到比例风险模型：h（t，x）=h0（t）exp（Σβ ixi）公式1－1 预后指数也称预后得分，PI(prognostic index)= （Σβ ixi） PI=0代表危险率处于平均水平，PI<0，代表危险率低于平均水平；PI>0，代表危险率高于平均水平。由公式1－1可以求得全部病人的预后指数。将所有的预后指数做等级变换，例如分组的界点PI＝-1，0，1，以PI为分类变量做COX回归，并估计生存率，便获得预后指数分类生存率，若样本量很大，或代表性比较好，可用内插法分别估计不同预后指数水平的人群的k年生存率，以及中数生存期，编制成参照表，便可用于临床，根据每个病人的PI值，预测其存活k年的概率，以及期望的生存年数。最后一段摘自方积乾主编的第二版《医学统计学与电脑试验》。如果我们能够象国外一样做大规模多中心前瞻的研究，我一定要做到最后一步。 其实这个问题关键还是在你自己，就是你为何要定义分类变量？如果变量是连续变量或者是具有等级关系的，那么一般是不定义为分类变量的，比如年龄，身高，体重等等。如果变量的数值之间没有等级关系，比如组别，我们用1表示A组，2表示B性，3表现C组，这个在分析的时候是需要定义为分类变量的，因为这个数值的大小是没有意义的。所以关键怎么选择，还是需要看楼主这几个变量所代表的具体意义。 COX回归时如果需要分析的自变量中为有序多分类，为保证结果的准确性，应将其指定为亚变量进行分析(严格的讲，两分类变量也应进行指定，但不指定时的分析结果是等价的)，所以您定义为categorical后的计算结果是可信的 the final multivariate Cox regression model, xx was identified as an independent prognostic factor with an adjusted hazard ratio of 1.60 (95% confidence interval 1.07–2.41)‖,而有的文章则是这样描述―Cox regression indicated that ING4 expression is an independent prognostic factor for overall 5-year survival (Relative risk = 2.50, 95% confidence interval = 1.09–5.74, P = 0.031)‖请问这两种描述有什么区别？hazard ratio与relative risk又有什么不同？谢谢大家！
stata回归分析完整步骤-吐血推荐12页
stata回归分析完整步骤——吐血推荐 ****下载连乘函数prod,方法为:findit dm71 sort stkcd date //对公司和日期排序 gen r1=1+r //r为实际公司的股票收益率 gen r2=1+r_yq //r_yq为公司的预期股票收益率 egen r3=prod(r1),by(stkcd date) //求每个公司事件日的累计复合收益率 egen r4=prod(r2),by(stkcd date) //求每个公司事件日的累计预期的复合收益率 gen r=r4-r3 capture clear （清空内存中的数据） capture log close （关闭所有打开的日志文件） set mem 128m （设置用于stata使用的内存容量） set more off （关闭more选项。如果打开该选项，那么结果分屏输出，即一次只输出一屏结果。你按空格键后再输出下一屏，直到全部输完。如果关闭则中间不停，一次全部输出。）set matsize 4000 （设置矩阵的最大阶数。我用的是不是太大了？） cd D: （进入数据所在的盘符和文件夹。和dos的命令行很相似。） log using （文件名）.log,replace （打开日志文件，并更新。日志文件将记录下所有文件运行后给出的结果，如果你修改了文件内容，replace选项可以将其更新为最近运行的结果。） use （文件名）,clear （打开数据文件。） （文件内容） log close （关闭日志文件。） exit,clear （退出并清空内存中的数据。） 假设你清楚地知道所需的变量，现在要做的是检查数据、生成必要的数据并形成数据库供将来使用。检查数据的重要命令包括codebook，su，ta，des和list。其中，codebook提供的信息最全面，缺点是不能使用if条件限制范围，所以，有时还要用别的帮帮忙。su空格加变量名报告相应变量的非缺失的观察个数，均值，标准差，最小值和最大值。ta空格后面加一个（或两个）变量名是报告某个变量（或两个变量二维）的取值（不含缺失值）的频数，比率和按大小排列的累积比率。des后面可以加任意个变量名，只要数据中有。它报告变量的存储的类型，显示的格式和标签。标签中一般记录这个变量的定义和单位。list报告变量的观察值，可以用if或in来限制范围。所有这些命令都可以后面不加任何变量名，报告的结果是正在使用的数据库中的所有变量的相应信息。说起来苍白无力，打开stata 亲自实验一下吧。
Cox回归分析—非常详细的SPSS操作介绍
患者生存状态的影响因素分析 ——生存资料的COX回归分析1、问题与数据 某研究者拟观察某新药的抗肿瘤效果，将70名肺癌患者随机分为两组，分别采用该新药和常规药物进行治疗，观察两组肺癌患者的生存情况，共随访2年。研究以死亡为结局，两种治疗方式为主要研究因素，同时考虑调整年龄和性别的影响，比较两种疗法对肺癌患者生存的影响是否有差异。变量的赋值和部分原始数据见表1和表2。 表1. 某恶性肿瘤的影响因素与赋值 表2. 两组患者的生存情况 group gender age time survival 0 1 0 22 1 0 1 1 10 1 0 1 1 64 1 0 1 1 12 1 0 1 0 17 1 1 0 0 19 1 1 1 1 4 1 1 0 1 1 2 0 1 0 0 5 0 1 1 1 27 0 2、对数据结构的分析 该研究以死亡为结局，治疗方式为主要研究因素，每个研究对象都有生存时
间（随访开始到死亡、失访或随访结束的时间），同时考虑调整年龄和性别的影响。欲了解两种疗法对肺癌患者生存的影响是否有差异，可以用Cox比例风险模型（Cox proportional-hazards model，也称为Cox回归）进行分析。 实际上，Cox回归的结局不一定是死亡，也可以是发病、妊娠、再入院等。其共同特点是，不仅考察结局是否发生，还考察结局发生的时间。 在进行Cox回归分析前，如果样本不多而变量较多，建议先通过单变量分析（KM法绘制生存曲线、Logrank检验等）考察所有自变量与因变量之间的关系，筛掉一些可能无意义的变量，再进行多因素分析，这样可以保证结果更加可靠。即使样本足够大，也不建议把所有的变量放入方程直接分析，一定要先弄清楚各个变量之间的相互关系，确定自变量进入方程的形式，这样才能有效的进行分析。 单因素分析后，应当考虑应该将哪些自变量纳入Cox回归模型。一般情况下，建议纳入的变量有：1）单因素分析差异有统计学意义的变量（此时，最好将P值放宽一些，比如0.1或0.15等，避免漏掉一些重要因素）；2）单因素分析时，没有发现差异有统计学意义，但是临床上认为与因变量关系密切的自变量。 3、SPSS分析方法 （1）数据录入SPSS
STATA 第一章 回归分析
在此处利用两个简单的回归分析案例让初学者学会使用STATA进行回归分析。STATA版本：11.0 案例1： 某实验得到如下数据 x 1 2 3 4 5 y 4 5.5 6.2 7.7 8.5 对x y 进行回归分析。 第一步：输入数据（原始方法） 1.在命令窗口输入input x y /有空格 2.回车 得到：
3.再输入： 1 4 2 5.5 3 6.2 4 7.7 5 8.5 end 4.输入list 得到 5.输入reg y x 得到回归结果 回归结果： =+ 3.02 1.12 y x T= (15.15) (12.32) R2=0.98 解释一下： SS是平方和，它所在列的三个数值分别为回归误差平方和（SSE）、残差平方和（SSR）及总体平方和（SST），即分别为Model、Residual和Total相对应的数值。df（degree of freedom）为自由度。 MS为SS与df的比值，与SS对应，SS是平方和，MS是均方，是指单位自由度的平方和。 coef.表明系数的，因为该因素t检验的P值是0.001，所以表明有很强的正效应，认为所检验的变量对模型是有显著影响的。_cons表示常数项 6.作图可以通过Graphics——>twoway—twoway graphs——>plots——>Create
案例2：加大一点难度 1. 首先将excel另存为CSV格式文件
2. 将csv文件导入STATA, File——>import——>选第一个 3.输入list 4.进行回归 reg inc emp inv pow 5.回归结果 =-+++ inc emp inv pow 395741.718.18 4.3530.22
Logistic回归分析报告结果解读分析
L o g i s t i c回归分析报告结果解读分析 Company number：【0089WT-8898YT-W8CCB-BUUT-202108】
Logistic回归分析报告结果解读分析Logistic回归常用于分析二分类因变量(如存活和死亡、患病和未患病等)与多个自变量的关系。比较常用的情形是分析危险因素与是否发生某疾病相关联。例如，若探讨胃癌的危险因素，可以选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群有不同的临床表现和生活方式等，因变量就为有或无胃癌，即“是”或“否”，为二分类变量，自变量包括年龄、性别、饮食习惯、是否幽门螺杆菌感染等。自变量既可以是连续变量，也可以为分类变量。通过Logistic回归分析，就可以大致了解胃癌的危险因素。 Logistic回归与多元线性回归有很多相同之处，但最大的区别就在于他们的因变量不同。多元线性回归的因变量为连续变量；Logistic回归的因变量为二分类变量或多分类变量，但二分类变量更常用，也更加容易解释。 回归的用法 一般而言，Logistic回归有两大用途，首先是寻找危险因素，如上文的例子，找出与胃癌相关的危险因素；其次是用于预测，我们可以根据建立的Logistic回归模型，预测在不同的自变量情况下，发生某病或某种情况的概率(包括风险评分的建立)。 2.用Logistic回归估计危险度 所谓相对危险度(risk ratio，RR)是用来描述某一因素不同状态发生疾病(或其它结局)危险程度的 比值。Logistic回归给出的OR(odds ratio)值与相对危险度类似，常用来表示相对于某一人群，另一人群发生终点事件的风险超出或减少的程度。如不同性别的胃癌发生危险不同，通过Logistic回归可以求出危险度的具体数值，例如，这样就表示，男性发生胃癌的风险是女性的倍。这里要注意估计的方向问题，以女性作为参照，男性患胃癌
cox回归分析
生存分析之COX回归分析 1.生存分析，是将终点事件出现与否与对应时间结合起来分析的一种统计方法； 2.生存时间，是从规定的观察起点到某一特定终点事件出现的时间，如膀胱癌术后5年存活率研究，及膀胱癌手术为观测起点，死亡为事件终点，两点为生存时间； 3.完全数据，观测起点到终点事件所经历的时间，上述例子即膀胱癌手术到因膀胱癌死亡的时间； 4.删失数据，因失访、研究结束终点事件未发生或患者死于规定的终点事件以外的原因而终止观察，不能确定具体生存时间的一类数据； 5.生存概率，表示某时段开始存活的个体到该时段结束仍存活的概率，p=活满某时段的人数/该时段期初有效人口数； 6.生存率，为观察起点起到研究时间点内各个时段的生存概率的累积概率，S(tk)=p1.p2.pk=S(tk-1).pk; 7.生存曲线，以生存时间为横轴，将各个时间点的生存率连在一起的曲线图； 8.中位生存期，又称半数生存期，表示50%的个体存活的时间； 9.PH假定（等比例风险假定），某研究因素对生存的影响不随时间的改变而改变，是COX回归模型建立的前提条件。 1. Cox回归分析及其SPSS操作方法概述 前面我们已经讲过生存分析及KM法的内容，详细可以回复数字26－28查看。但有对统计不太熟悉的“微粉”还不太明白生存分析与一般统计的区别，不知道如何区别Cox回归与Logistic回归。在我们做研究时，有时我们不仅关心某种结局是否出现，还会关心结局出现的时间，例如肺部手术后观察五年生存率，一个有在1年之后死亡，另外一个人在在4.5后死亡，如果只看第5年时的结局，两者是一样的（均死亡），但是实际我们认为后者的治疗效果可能优于前者，即生存分析同时考虑结局和结局出现的时间，而一般分析只考虑结局。另外在队列随访时，可能有人在没有到5年时就失访了，如迁徙或者电话更改，我们不了解其结局如何，在一般的分析中这种病例无法使用，而中间失访的病例结局可能更差，如果直接扔掉，可能会产生偏倚；而用生存分析，这种病例可以给我们提供部分资料，即我们记录最后一次随访时病例的状态，失访前的资料可以用于分析。 我们先回顾一下生存分析的KM法和寿命表法（回复数字26和27可以查看KM法的详细内容），其共同点是只能分析一种因素与生存率的关系，Log-Rank法也是比较一个因素两种水平间的生存差别，如果生存率的影响因素有很多，我们怎么避免其它混杂因素的影响呢？我们可以使用回归分析方法，但如果使用logistic回归，也是只能观察影响因素与结局的关联，没有考虑结局发生的时间因素。Cox回归可以解决这个问题。Cox回归一般模型假设为 其中h(t,X)是在时刻t的风险函数又可称瞬时死亡率，h(0,t)是基线风险率，其它与logistic回归模型相同。βj大于0则x j越大，病人死亡风险越大，βj小于0则x j越大，病人死亡风险越小，βj等于0则x j越与死亡率没有影响。Exp(β)为危险比（HR）或相对危险度（RR）。 下面以一个例子说明在SPSS中作Cox回归如何操作。
生存分析的cox回归模型案例——spss
生存分析的ｃox回归模型案例——spss
————————————————————————————————作者: ————————————————————————————————日期: ?
一、生存分析基本概念 1、事件(Evｅｎt） 指研究中规定的生存研究的终点，在研究开始之前就已经制定好。根据研究性质的不同,事件可以是患者的死亡、疾病的复发、仪器的故障,也可以是下岗工人的再就业等等。 2、生存时间(Survｉvaｌtiｍｅ） 指从某一起点到事件发生所经过的时间。生存是一个广义的概念,不仅仅指医学中的存活，也可以是机器出故障前的正常运行时间,或者下岗工人再就业前的待业时间等等。有的时候甚至不是通用意义上的时间，比如汽车在出故障前的行驶里程,也可以作为生存时间来考虑。 ３、删失（Ｓｅnsorｉｎg） 指由于所关心的事件没有被观测到或者无法观测到，以至于生存时间无法记录的情况。常由两种情况导致:（1）失访;(2）在研究终止时，所关心的事件还未发生。 ４、生存函数(Surｖｉval distributioｎfunｃｔioｎ） 又叫累积生存率，表达式为S(ｔ)=Ｐ(T>t）,其中Ｔ为生存时间,该函数的意义是生存时间大于时间点t的概率。ｔ＝０时S(ｔ)=1，随着t的增加S（t)递减(严格的说是不增)，1-Ｓ(t）为累积分布函数，表示生存时间Ｔ不超过t的概率。? 二、生存分析的方法 1、生存分析的主要目的是估计生存函数，常用的方法有Kapｌan-Meier法和寿命表法。对于分组数据，在不考虑其他混杂因素的情况下,可以用这两种方法对生存函数进行组间比较。 2、如果考虑其他影响生存时间分布的因素，可以使用Cox回归模型（也叫比例风险模型）,利用数学模型拟合生存分布与影响因子之间的关系,评价影响因子对生存函数分布的影响程度。这里的前体是影响因素的作用不随时间改变,如果不满足这个条件，则应使用含有时间依存协变量的Cox回归模型。 下面用一个例子来说明SＰSS中Cox回归模型的操作方法。 例题 要研究胰腺癌术中放疗对患者生存时间的影响，收集了下面所示的数据:
STATA回归分析讲解学习
STATA一章回第归析分． 在此处利用两个简单的回归分析案例让初学者学会使用STATA进行回归分析。STATA版本：11.0 案例1： 某实验得到如下数据 x 1 2 3 4 5 5.5 6.2 7.7 y 4 8.5
对x y 进行回归分析。 第一步：输入数据（原始方法） 1.在命令窗口输入input x y /有空格 回车2. 得到： 3.再输入：1 4 2 5.5 3 6.2 4 7.7 5 8.5 end 4.输入list 得到 5.输入reg y x 得到回归结果 回归结果： x1.12?3.02?y 2=0.98 T= (15.15) (12.32) R 解释一下： SS是平方和，它所在列的三个数值分别为回归误差平方和（SSE）、残差平方和（SSR）及总体平方和（SST），即分别为Model、Residual和Total相对应的数值。 df（degree of freedom）为自由度。 MS为SS与df的比值，与SS对应，SS是平方和，MS是均方，是指单位自由度的平方和。
coef.表明系数的，因为该因素t检验的P值是0.001，所以表明有很强的正效应，认为所检验的变量对模型是有显著影响的。_cons表示常数项 6.作图可以通过Graphics——>twoway—twoway graphs——>plots——>Create 案例2：加大一点难度 1. 格式文件CSV另存为excel首先将． 2. 将csv文件导入STATA, 选第一个>——>import——File
3.输入list 4.进行回归 reg inc emp inv pow 5.回归结果 pow30.22?inv4.35?emp18.18?395741.7??inc
Logistic回归分析报告结果解读分析
Logistic 回归分析报告结果解读分析 Logistic 回归常用于分析二分类因变量（如存活和死亡、患病和未患病等）与多个自变量的关系。比较常用的情形是分析危险因素与是否发生某疾病相关联。例如，若探讨胃癌的危险因素，可以选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群有不同的临床表现和生活方式等，因变量就为有或无胃癌，即“是” 或“否”，为二分类变量，自变量包括年龄、性别、饮食习惯、是否幽门螺杆菌感染等。自变量既可以是连续变量，也可以为分类变量。通过Logistic 回归分析，就可以大致了解胃癌的危险因素。 Logistic 回归与多元线性回归有很多相同之处，但最大的区别就在于他们的因变量不同。多元线性回归的因变量为连续变量；Logistic 回归的因变量为二分类变量或多分类变量，但二分类变量更常用，也更加容易解释。 1. Logistic 回归的用法 一般而言，Logistic回归有两大用途，首先是寻找危险因素，如上文的例子，找出与胃癌相关的危险因素；其次是用于预测，我们可以根据建立的Logistic 回归模型，预测在不同的自变量情况下，发生某病或某种情况的概率（包括风险评分的建立）。 2. 用Logistic回归估计危险度 所谓相对危险度（risk ratio，RR）是用来描述某一因素不同状态发生疾病（或其它结局）危险程度的 比值。Logistic回归给出的OR（odds ratio）值与相对危险度类似，常用来表示相对于某一人群，另一人群发生终点事件的风险超出或减少的程度。如不同性别的胃癌发生危险不同，通过Logistic回归可以求出危险度的具体数值，例如1.7，
第十七章多因素回归分析的Stata实现
第十七章多因素回归分析的Stata实现 本章使用的Stata命令： 多因素回归regress depvar [indepvars] 逐步回归stepwise [, options ] : command Logistic回归logistic depvar indepvars [weight] 生存时间数据设定stset timevar [weight] [, failure(failvar[==numlist])] Cox回归stcox [varlist] 例17-4 某研究者为了研究某种避孕药对人体血糖的影响，分别在正在使用这种避孕药的人群、6个月前曾经使用过这种避孕药的人群、从未使用过避孕药的人群中各随机抽取6人。考虑到血糖可能与年龄有关，所以该研究者不仅测定了这18位对象的血糖，而且也记录了这18位对象的年龄，具体资料见表17－4。请根据研究问题作统计分析。 表17-4 三种避孕药使用情况下的年龄（，岁）与血糖水 平(，mg％) 现服药者曾服药者从未服药者 201202412628135 211222613032137 231242713234138 231262913135137 241252913435139 241273013637144
本研究的问题是比较三种用药情况下的血糖平均水平是否不同，因此首先考虑以下总体均数的情况。 解：Stata数据如下： x y g1g2 2012001 2112201 2312401 2312601 2412501 2412701 2412610 2613010 2713210 2913110 2913410 3013610 2813500 3213700 3413800 3513700 3513900 3714400 Stata命令如下： reg y x g1 g2 结果： Source | SS df MS Number
生存分析的cox回归模型案例——spss
一、生存分析基本概念 1、事件（Event） 指研究中规定的生存研究的终点，在研究开始之前就已经制定好。根据研究性质的不同，事件可以是患者的死亡、疾病的复发、仪器的故障，也可以是下岗工人的再就业等等。 2、生存时间(Survival time) 指从某一起点到事件发生所经过的时间。生存是一个广义的概念，不仅仅指医学中的存活，也可以是机器出故障前的正常运行时间，或者下岗工人再就业前的待业时间等等。有的时候甚至不是通用意义上的时间，比如汽车在出故障前的行驶里程，也可以作为生存时间来考虑。 3、删失（Sensoring） 指由于所关心的事件没有被观测到或者无法观测到，以至于生存时间无法记录的情况。常由两种情况导致：（1）失访；（2）在研究终止时，所关心的事件还未发生。 4、生存函数（Survival distribution function） 又叫累积生存率，表达式为S（t）=P(T>t),其中T为生存时间，该函数的意义是生存时间大于时间点t的概率。t=0时S(t)=1，随着t的增加S(t)递减（严格的说是不增），1-S(t)为累积分布函数，表示生存时间T不超过t的概率。 二、生存分析的方法 1、生存分析的主要目的是估计生存函数，常用的方法有Kaplan-Meier法和寿
命表法。对于分组数据，在不考虑其他混杂因素的情况下，可以用这两种方法对生存函数进行组间比较。 2、如果考虑其他影响生存时间分布的因素，可以使用Cox回归模型（也叫比例风险模型），利用数学模型拟合生存分布与影响因子之间的关系，评价影响因子对生存函数分布的影响程度。这里的前体是影响因素的作用不随时间改变，如果不满足这个条件，则应使用含有时间依存协变量的Cox回归模型。 下面用一个例子来说明SPSS中Cox回归模型的操作方法。 例题 要研究胰腺癌术中放疗对患者生存时间的影响，收集了下面所示的数据：
cox回归生存分析在stata中实现汇总
为了评价各种指标对透析患者生存时间的影响，资料如下，为避免受过大值的影响，实际拟合模型中，ntprobnp数据取对数，记为ntprobnp1 gen ntprobnp1 = log(ntprobnp 资料如下： time die crea bun alb age therapy ntprobnp ntprobnp1 12 1 1032 34 28 45 0 20 2.995732 26 1 1324 46 26 66 1 34 3.526361 38 1 1520 49 31 56 0 56 4.025352 45 1 870 28 32 62 1 112 4.718499 99 1 990 34 39 35 0 1020 6.927558 120 0 785 23 42 29 0 1920 7.560081 120 0 456 19 43 35 0 45 3.806663 120 0 570 23 39 27 0 88 4.477337 120 0 1020 33 41 42 0 211 5.351858 120 0 780 29 40 23 0 455 6.120297 120 0 670 22 39 19 0 2100 7.649693
120 0 932 28 35 23 0 1320 7.185387 120 0 689 27 44 56 0 44 3.78419 35 1 670 33 28 66 1 66 4.189655 67 1 1210 34 34 72 1 77 4.343805 1. 预后因素筛选： logrank time die, by(crea 检测肌酐是否影响生存率 chi2(13 = 29.07 Pr>chi2 = 0.0064 P<0.05，说明肌酐对预后影响大 logrank time die, by(bun logrank time die, by(alb logrank time die, by(age logrank time die, by(therapy logrank time die, by(ntprobnp1 由于bun P>0.05，在COX模型中去除改因素 2. 用COX比例风险模型分析 cox time crea alb age therapy ntprobnp1, dead(die Cox regression -- no ties Entry time 0 Number of obs = 15 ① LR chi2(5 = 26.21
Stata统计分析命令
S t a t a统计分析命令 Prepared on 24 November 2020
Stata统计分析常用命令汇总 一、winsorize极端值处理 范围：一般在1%和99%分位做极端值处理，对于小于1%的数用1%的值赋值，对于大于99%的数用99%的值赋值。 1、Stata中的单变量极端值处理： stata ，在命令窗口输入“findit winsor”后，系统弹出一个窗口，安装winsor 模块 安装好模块之后，就可以调用winsor命令，命令格式：winsor var1, gen(new var) p 或者在命令窗口中输入：ssc install winsor安装winsor命令。winsor命令不能进行批量处理。 2、批量进行winsorize极端值处理： 打开链接：，找到winsorizeJ，点击右键，另存为到stata中的ado/plus/目录下即可。命令格式：winsorizeJ var1var2var3,suffix(w)即可，这样会生成三个新变量，var1w var2w var3w，而且默认的是上下1%winsorize。如果要修改分位点，则写成如下格式：winsorizeJ var 1 var2 var3,suffix(w) cuts(5 95)。 3、Excel中的极端值处理：（略） winsor2 命令使用说明 简介：winsor2 winsorize or trim (if trim option is specified) the variables in varlist at particular percentiles specified by option cuts(# #). In defult, new variables will be generated with a suffix "_w" or "_tr", which can be changed by specifying suffix() option. The replace option replaces the variables with their winsorized or trimmed ones. 相比于winsor命令的改进： (1) 可以批量处理多个变量；
生存分析的cox回归模型案例spss
生存分析的c o x回归模 型案例s p s s Document number：PBGCG-0857-BTDO-0089-PTT1998
一、生存分析基本概念 1、事件（Event） 指研究中规定的生存研究的终点，在研究开始之前就已经制定好。根据研究性质的不同，事件可以是患者的死亡、疾病的复发、仪器的故障，也可以是下岗工人的再就业等等。 2、生存时间(Survival time) 指从某一起点到事件发生所经过的时间。生存是一个广义的概念，不仅仅指医学中的存活，也可以是机器出故障前的正常运行时间，或者下岗工人再就业前的待业时间等等。有的时候甚至不是通用意义上的时间，比如汽车在出故障前的行驶里程，也可以作为生存时间来考虑。 3、删失（Sensoring） 指由于所关心的事件没有被观测到或者无法观测到，以至于生存时间无法记录的情况。常由两种情况导致：（1）失访；（2）在研究终止时，所关心的事件还未发生。 4、生存函数（Survival distribution function） 又叫累积生存率，表达式为S（t）=P(T>t),其中T为生存时间，该函数的意义是生存时间大于时间点t的概率。t=0时S(t)=1，随着t的增加S(t)递减（严格的说是不增），1-S(t)为累积分布函数，表示生存时间T不超过t的概率。 二、生存分析的方法 1、生存分析的主要目的是估计生存函数，常用的方法有Kaplan-Meier法和寿命表法。对于分组数据，在不考虑其他混杂因素的情况下，可以用这两种方法对生存函数进行组间比较。 2、如果考虑其他影响生存时间分布的因素，可以使用Cox回归模型（也叫比例风险模型），利用数学模型拟合生存分布与影响因子之间的关系，评价影响因子对生存函数分布的影响程度。这里的前体是影响因素的作用不随时间改变，如果不满足这个条件，则应使用含有时间依存协变量的Cox回归模型。下面用一个例子来说明SPSS中Cox回归模型的操作方法。 例题 要研究胰腺癌术中放疗对患者生存时间的影响，收集了下面所示的数据： 操作步骤： SPSS变量视图 菜单选择： 点击进入Cox主对话框，如下，将time选入“时间”框，将代表删失的censor 变量选入“状态”框，其余分析变量选入“协变量”框。其余默认就行。 点击“状态”框下方的“定义事件”，将事件发生的标志设为值0，即0代表事件发生。 在主对话框中点击“分类”按钮，进入如下的对话框，将所有分类变量选入右边框中。 在主对话框中点击“绘图”按钮，进入如下的对话框，选择绘图的类型，这里只选择“生存函数”。由于我们关心的主要变量是trt（是否放疗），所以将trt选入“单线”框中，绘制生存曲线。
cox回归结果解析
c o x回归结果解析-CAL-FENGHAI.-(YICAI)-Company One1
筛选变量的方法：第一步，结合临床，临床认为有关的变量均筛选出来。第二步.应用双变量的相关分析，把显着相关的变量筛选出来，保留临床意义更大的那个。第三步，应用Kaplan-Meier法对每个危险因素的两个暴露水平做生存曲线，若曲线存在交叉，则不能应用Cox生存分析（Cox生存分析也称比例风险回归，它包含一个假定，即在随访期间暴露于预后因素与非暴露的风险比例维持恒定），这类变量需应用更复杂的非比例风险回归模型，这里将不详述了。第四步，单因素分析。可应用COX生存分析的第0步结果作为单因素分析的结果。可在SPSS的Cox回归里选择任何一种前进法，在Option中选择at each step，取因子筛选第0步的Score检验结果作为单因子Cox回归分析的结果。也有文章的单因素分析对于离散型变量应用卡方检验和连续型变量应用t检验，等级资料应用双变量相关分析。 最后，将进行Cox回归分析。应用SPSS中analysis-survival-cox regression.在time一栏中选择生存时间；在state一栏中选择数据状态（在数据编码中已经介绍），在激活的define event一栏中设定single value为1。这里要强调几个小问题：1，SPSS可以支持研究者做两个或以上的变量的共同效应，需在主对话框中同时选中需研究的变量两个或两个以上，这样协变量框中的>a*b>才会被激活。2，分类变量，在这里被称为哑变量，需单击categorical，然后将分类变量选入对话框。 最后得到的结果，B为协变量的系数，Exp（B）为相对危险度。可得到比例风险模型：h（t，x）=h0（t）exp（Σβ ixi）公式1－1 预后指数也称预后得分，PI(prognostic index)= （Σβ ixi） PI=0代表危险率处于平均水平，PI<0，代表危险率低于平均水平；PI>0，代表危险率高于平均水平。由公式1－1可以求得全部病人的预后指数。将所有的预后指数做等级变换，例如分组的界点PI＝-1，0，1，以PI为分类变量做COX回归，并估计生存率，便获得预后指数分类生存率，若样本量很大，或代表性比较好，可用内插法分别估计不同预后指数水平的人群的k年生存率，以及中数生存期，编制成参照表，便可用于临床，根据每个病人的PI值，预测其存活k年的概率，以及期望的生存年数。最后一段摘自方积乾主编的第二版《医学统计学与电脑试验》。如果我们能够象国外一样做大规模多中心前瞻的研究，我一定要做到最后一步。 其实这个问题关键还是在你自己，就是你为何要定义分类变量如果变量是连续变量或者是具有等级关系的，那么一般是不定义为分类变量的，比如年龄，身高，体重等等。如果变量的数值之间没有等级关系，比如组别，我们用1表示A组，2表示B性，3表现C组，这个在分析的时候是需要定义为分类变量的，因为这个数值的大小是没有意义的。所以关键怎么选择，还是需要看楼主这几个变量所代表的具体意义。 COX回归时如果需要分析的自变量中为有序多分类，为保证结果的准确性，应将其指定为亚变量进行分析(严格的讲，两分类变量也应进行指定，但不指定时的分析结果是等价的)，所以您定义为categorical后的计算结果是可信的 the final multivariate Cox regression model, xx was identified as an independent prognostic factor with an adjusted hazard ratio of (95% confidence interval –”,而有的文章则是这样描述“C ox regression indicated that ING4 expression is an independent prognostic factor for overall 5-year survival (Relative risk= , 95% confidence interval = –, P = ”请问这两种描述有什么区别hazard ratio与relative risk又有什么不同谢谢大家！