含交互项的Cox回归：应采用哪种P值判断交互作用？

一、两种检验P值差异的核心原因 #

你看到的差异来自Wald检验（summary()输出的系数P值）和似然比检验（模型对比的P值）的本质区别，具体原因包括：

• Wald检验的近似性局限：Wald检验依赖大样本下系数服从正态分布的假设，当交互项效应极强（你的似然比P值达到6.4E-172，说明效应极其显著）时，这个正态近似会严重失效，导致Wald检验的P值被高估（不够极端），无法反映真实的显著性。
• 多重共线性的影响：连续变量x1与交互项x1:x2（x1和x2的乘积）之间往往存在高度共线性，这会放大Wald检验中系数的标准误，进一步让P值变大。而似然比检验是对比整个模型的拟合优度，不受单个系数的共线性问题干扰，结果更可靠。

当你把x2二分类后，共线性问题有所缓解，但Wald检验的近似性局限依然存在，所以两种检验的P值仍有巨大差异——似然比检验依然能捕捉到交互项对模型拟合的显著提升，而Wald检验还是因正态假设偏差给出了偏保守的P值。

二、哪种P值能准确判断交互作用？ #

似然比检验的结果更适合判断交互作用是否存在，理由如下：

• 似然比检验直接回答“纳入交互项是否显著提升模型拟合度”这个核心问题，这正是判断交互作用是否存在的本质依据；
• 它对共线性、大效应量的鲁棒性远优于Wald检验，统计性质更严谨，尤其是在大样本的生存分析场景中；
• Wald检验的P值仅针对单个交互项系数的显著性，当模型存在复杂关联时，它无法全面反映交互项对模型的贡献，而似然比检验基于整个模型的似然差异，结论更全面。

内容的提问来源于stack exchange，提问作者S Zhou