เปรียบเทียบวิธี

	การถดถอยภาวะเสี่ยงที่เป็นสัดส่วนของค็อกซ์ (Cox Proportional Hazards Regression)	ตัวประมาณค่าการรอดชีพแบบแคปแลน-ไมเออร์	การถดถอยแบบพาราเมตริกแบบ Weibull
สาขาวิชา	การวิเคราะห์การอยู่รอด	การวิเคราะห์การอยู่รอด	การวิเคราะห์การอยู่รอด
ตระกูล	Survival analysis	Survival analysis	Survival analysis
ปีกำเนิด	1972	1958	1951
ผู้ริเริ่ม	Cox, D. R.	Kaplan, E. L. & Meier, P.	Waloddi Weibull
ประเภท	Semi-parametric hazard regression model	Non-parametric survival estimator	Fully parametric survival regression model
แหล่งต้นตำรับ	Cox, D. R. (1972). Regression Models and Life-Tables. Journal of the Royal Statistical Society: Series B, 34(2), 187–202.	Kaplan, E. L. & Meier, P. (1958). Nonparametric Estimation from Incomplete Observations. Journal of the American Statistical Association, 53(282), 457–481.	Kalbfleisch, J. D. & Prentice, R. L. (2002). The Statistical Analysis of Failure Time Data (2nd ed.). Wiley.
ชื่อเรียกอื่น	cox ph model, proportional hazards model, cox ph regression, Cox Orantılı Tehlikeler Regresyonu	product-limit estimator, km curve, kaplan-meier sağkalım analizi	weibull aft model, weibull survival model, parametric survival regression, Weibull Regresyonu — Parametrik Hayatta Kalma
ที่เกี่ยวข้อง	3	2	4
สรุป	Cox proportional hazards regression, introduced by D. R. Cox in 1972, is a semi-parametric model that estimates how one or more covariates affect the hazard — the instantaneous rate of experiencing an event — while leaving the baseline hazard function unspecified. It is the standard multivariable method in survival analysis and produces hazard ratios that quantify the relative risk associated with each predictor.	The Kaplan-Meier estimator, introduced by Kaplan and Meier in 1958, is a non-parametric method that estimates the survival curve — the probability of remaining event-free over time — from right-censored time-to-event data. The log-rank test is the companion procedure used to compare survival curves between groups.	Weibull regression is a fully parametric survival model, formalised by Kalbfleisch and Prentice, that assumes survival times follow a Weibull distribution. A shape parameter controls whether the hazard increases, decreases, or remains constant over time, while covariates shift the scale of the distribution to express how predictors affect survival.