在这里's a link to the dataset I'米正在调查：https://github.com/kaizhang/dataset/blob/master/data/survival/leukemia.csv
我想在生存分析中测试维持组与非维持组之间差异的统计学显着性 . 这是Kaplan-Meier图，显示了两组事件发生概率的分布 . 可以清楚地观察到，维持组中的受试者平均存活时间长于未维持组中的受试者 .
统计测试log-rank验证了这一发现：
# Apply log-rank test
from lifelines.statistics import logrank_test
results = logrank_test(t[maintained],t[~maintained],s[maintained],t[~maintained], alpha=0.99)
results.print_summary()
结果表明，两组生存时间差异具有统计学意义 . 所以，我假设在测试对数危险时，我应该会看到那里的统计差异 . 换句话说，维护组（x = 1）的对数危险应低于未维护组（x = 0） . 为了测试这个，我拟合了一个cox回归模型：
from lifelines import CoxPHFitter
df = data.copy()
df.x.replace(['Maintained', 'Nonmaintained'], [1,0], inplace=True)
cf = CoxPHFitter()
cf.fit(df.ix[:,1:], 'time', event_col='status')
cf.print_summary()
奇怪的是，在这个测试中，x（维持）的参数估计没有统计学意义，这意味着维持和未维护的对数危害没有差别 .
1) In an event such as this show a discrepency in statistical test results, how should a statistician approach interpret survival in relations to different effects?
2) Could the cox-regression be unreliable since the sample size is less than 30?