Verilerinizin takip ettiği parametrik dağılımı biliyorsanız o zaman maksimum olabilirlik yaklaşımı kullanarak ve dağıtım mantıklı geliyor. Cox Orantılı Tehlikeler regresyonunun asıl avantajı, dağılımı bilmeden (veya varsaymadan) hayatta kalma modellerine uymaya devam edebilmenizdir. Normal dağılımı kullanarak bir örnek verirsiniz, ancak hayatta kalma sürelerinin çoğu (ve Cox PH regresyonunun kullanıldığı diğer veri türleri) normal bir dağılımı takip etmeye yaklaşmaz. Bazıları log normal veya Weibull veya başka bir parametrik dağılım izleyebilir ve bu varsayımı yapmaya istekliyseniz, maksimum olasılık parametrik yaklaşımı mükemmeldir. Ancak birçok gerçek dünyada, uygun dağılımın ne olduğunu bilmiyoruz (ya da yeterince yakın bir yaklaşım). Sansür ve değişkenlerle basit bir histogram yapamıyoruz ve "bana ... dağılmış gibi görünüyor" diyemeyiz. Bu nedenle, belirli bir dağılıma ihtiyaç duymadan iyi çalışan bir tekniğe sahip olmak çok faydalıdır.
Dağıtım işlevi yerine neden tehlikeyi kullanıyorsunuz? Aşağıdaki ifadeyi göz önünde bulundurun: "A grubundaki insanlar, 80 yaşında B grubundaki insanlardan iki kat daha fazla ölüm". Şimdi bu doğru olabilir, çünkü B grubundaki insanlar A grubundakilerden daha uzun yaşamaya meyillidirler veya B grubundaki kişilerin daha kısa hayatlar yaşama eğiliminde oldukları ve çoğu 80 yaşından çok önce öldükleri için çok küçük bir olasılık vermiş olabilirler. 80 yaşından büyüklerin 80'i yaşarken, A grubu içinde yeterli sayıda insan, 80 yaşında yaşarken, bu yaşta çok sayıda insanın ölmesi olasılığını artırır. Dolayısıyla aynı ifade, A grubunda olmanın, B grubunda olmasından daha iyi ya da daha kötü olduğu anlamına gelebilir. 80 yaşına kadar yaşayan bu kişilerin (her bir grupta) 80 yaşına basmadan önce hangi oranın öleceğini söylemek daha mantıklı geliyor. Bu tehlikedir (ve tehlike, dağıtım fonksiyonunun / hayatta kalma fonksiyonunun / vb. Bir fonksiyonudur). Tehlike, yarı parametrik modelde çalışmak daha kolaydır ve daha sonra size dağıtım hakkında bilgi verebilir.