运行生存分析，假设关于变量的p值具有统计显着性 - 假设与结果呈正相关。然而，根据Schoenfeld残差，违反了比例风险（PH）假设。
在纠正PH违规后，可能会发生以下哪种情况？
PH假设违规通常意味着需要在模型中包含交互效应。在简单线性回归中，包括新变量可能由于共线性而改变现有变量系数的方向。我们可以在上面的案例中使用相同的理由吗？
Therneau和Gramsch撰写了一篇非常有用的文章“建模生存数据”，其中有一章关于测试比例性。本章的最后是关于原因和建模备选方案的部分，我认为可以用来回答这个问题。既然你提到了互动，它就会使你对某个特定p值的问题变得模糊不清。
1）当然，如果您选择了一个特定的测量作为您感兴趣的主题，并且事实证明所有效果都是由于它与您碰巧也测量的另一个变量的相互作用，那么您可能处于变量的位置-of-interest的p值将减少，可能为零。
2）几乎可以肯定，修改具有不同结构的模型（比如增加时变协变量或不同的时间处理）将导致特定协变量的估计HR不同，我认为不可能预测变化的方向。
3）关于系数的符号是否可以改变，我很确定这也是可能的。我想到的情景会有两组混合，比如男人和女人，其中一组有一个小组，其早期死亡率大大增加，例如乳腺癌，而该组幸存的成员将有更好的生存期望。基础模型可能显示正系数（高风险），而能够识别风险子组的模型则允许性别相关系数变为负（低风险）。