檢驗變量是否符合PH假定一共有四種方法：
1、繪製生存曲線，看是否交叉；
2、基於累計風險函數繪製生存曲線，看是否平行；
3、檢驗偏殘差與時間秩次是否相關；
4、檢驗變量與時間對數的交互項是否有統計學意義。
對於分類變量，可以看Kaplan-Meier生存曲線是否交叉。
步驟如下：
1、Analyze （分析）→ Survival（生存分析） → Kaplan-Meier
2.將時間變量time選入「Time」框中，將結局變量Y選入「Status（狀態）」框中，並點擊Define Event（定義事件），定義發生事件的取值為「1」，再將分組變量X選入「Factor（因子）」框中。
3、點擊Options（選項），在Plots框中勾選「Survival（生存分析）」繪製生存曲線，點擊Continue（繼續），最後點擊OK完成操作。
4.看兩組生存曲線之間並未交叉？如果沒交叉，可以對分組變量X滿足PH假定的條件做一個初步判定。
以生存時間t為橫坐標，以log[-logS(t)]為縱坐標，繪製分類變量每一組別的生存曲線，看看是否平行。
步驟如下：
1、Analyze（分析） → Survival（生存分析） → Cox Regression
2、將時間變量time選入「Time」框中，將結局變量Y選擇「Status(狀態）」框中，並點擊Define Event，定義發生事件的取值為「1」 ，再將分組變量X選入「Strata(層）」框中，以X作為分層因素。
3、點擊Plots（圖），勾選「Log minus log（負對數的對數）」，用於繪製log[-logS(t)]對時間t的曲線，最後點擊Continue和OK完成操作。
4、此時看不同的時間點，X兩組曲線是否平行？如果平行，可以判定分組變量X滿足PH假定的條件。
看看偏殘差（即Schoenfeld殘差）與時間秩次是否相關。
具體步驟：
1、Analyze → Survival → Cox Regression
2、將時間變量time選入「Time」框中，將結局變量Y選擇「Status」框中，並點擊Define Event，定義發生事件的取值為「1」， 並將自變量X選擇「Covariates（協變量）」框中。
3、點擊Save，勾選Partial residuals（偏殘差），即Schoenfeld偏殘差，點擊Continue，最後點擊OK完成操作。
1、Transform（轉換） → Rank Cases（個案排秩）
2、將時間變量time選入「Variables（變量）」框中
3、點擊「Rank Types（排秩類型）」，勾選Rank（秩），點擊Continue，最後點擊OK完成操作。
1、Analyze （分析）→ Correlate（相關） → Bivariate（雙變量）
2、將Partial residual for age[PR1_1]和Rank of time[Rtime]選入Variables框中，勾選Pearson相關，最後點擊OK完成操作。
3、結果顯示，Schoenfeld殘差與時間秩次之間的Pearson相關係數為0.352（P<0.001），為正相關，且具有統計學顯著性，由此提示自變量X的風險比會隨著時間的增加而增加，可認為自變量X不滿足PH假定，不適宜直接進行Cox回歸分析。
將每個協變量與對數生存時間的交互作用項（Xln（t））放入Cox回歸模型中，如果交互作用項無統計學意義，則滿足風險比例條件；
具體步驟：
1、Analyze → Survival → Cox w/Time-Dep Cov
2、此時會進入公式界面，首先在Function group（函數組）框中選擇Arithmetic（算術），在Functions and Special Variables（函數與特殊變量）框中雙擊自然對數Ln，此時Expression for T_COV_框中出現LN(?)，將Time[T_]選入Expression for T_COV_框中，變成LN(T_)。接下來點擊乘號「*」，將X（假定X為年齡）選入Expression for T_COV_框中，形成時間依存協變量的計算公式：LN(T_) *X
3、點擊Model（模型），進入Cox Regression對話框，將時間time選入Time框，將事件Y選入Status框，並點擊Define Event，在Single Value框中填入1，然後將協變量X1（治療方式）、X2（年齡）和時間依存協變量T_COV_一同選入Covariates（協變量）框中，最後點擊OK完成操作。
4、時間依存協變量T_COV_的回歸係數β為0.024，P=0.009，說明與0相比有顯著性差異，提示自變量age具有時間依存性，證實了其不滿足風險比例Cox回歸模型的PH假定要求。