对数据进行生存分析，考虑Cox比例为先模型的多重分数多项式模型，
library(mfp)
f=mfp(Surv(TIME,as.numeric(STATUS))~fp(AGE,df=4,select=0.05)+INST+SEX+TX+GRADE+COND+SITE+T_STAGE+N_STAGE,family=cox,data=u)
print(f)
(rsq=1-sum((f$residuals)^2)/sum((u$TIME-mean(u$TIME))^2))

结果如下：
Call:
mfp(formula = Surv(TIME, as.numeric(STATUS)) ~ fp(AGE, df = 4,
    select = 0.05) + INST + SEX + TX + GRADE + COND + SITE +
    T_STAGE + N_STAGE, data = u, family = cox)


Deviance table:
                 Resid. Dev
Null model         1303.317
Linear model         1248.388
Final model         1248.416

Fractional polynomials:
         df.initial select alpha df.final power1 power2
COND2             1   1.00  0.05        1      1      .
SEX2              1   1.00  0.05        1      1      .
T_STAGE2          1   1.00  0.05        1      1      .
T_STAGE3          1   1.00  0.05        1      1      .
T_STAGE4          1   1.00  0.05        1      1      .
N_STAGE1          1   1.00  0.05        1      1      .
N_STAGE2          1   1.00  0.05        1      1      .
N_STAGE3          1   1.00  0.05        1      1      .
GRADE2            1   1.00  0.05        1      1      .
GRADE3            1   1.00  0.05        1      1      .
INST2             1   1.00  0.05        1      1      .
INST3             1   1.00  0.05        1      1      .
INST4             1   1.00  0.05        1      1      .
INST5             1   1.00  0.05        1      1      .
INST6             1   1.00  0.05        1      1      .
TX2               1   1.00  0.05        1      1      .
SITE2             1   1.00  0.05        1      1      .
SITE4             1   1.00  0.05        1      1      .
AGE               4   0.05  0.05        0      .      .


Transformations of covariates:
        formula
AGE     T_STAGE
INST       INST
SEX         SEX
TX           TX
GRADE     GRADE
COND       COND
SITE       SITE
T_STAGE T_STAGE
N_STAGE N_STAGE

               coef exp(coef) se(coef)        z        p
COND2.1     1.18540    3.2720   0.2139  5.54227 2.99e-08
SEX2.1     -0.27923    0.7564   0.2207 -1.26519 2.06e-01
T_STAGE2.1 -0.31705    0.7283   0.5000 -0.63416 5.26e-01
T_STAGE3.1 -0.23767    0.7885   0.4718 -0.50373 6.14e-01
T_STAGE4.1  0.16458    1.1789   0.4955  0.33214 7.40e-01
N_STAGE1.1 -0.28642    0.7509   0.3134 -0.91404 3.61e-01
N_STAGE2.1 -0.04994    0.9513   0.3410 -0.14644 8.84e-01
N_STAGE3.1  0.22688    1.2547   0.2567  0.88399 3.77e-01
GRADE2.1    0.09141    1.0957   0.2253  0.40576 6.85e-01
GRADE3.1   -0.30871    0.7344   0.3064 -1.00764 3.14e-01
INST2.1     0.31219    1.3664   0.3456  0.90327 3.66e-01
INST3.1    -0.12545    0.8821   0.3615 -0.34706 7.29e-01
INST4.1    -0.22755    0.7965   0.3872 -0.58775 5.57e-01
INST5.1    -0.22744    0.7966   0.3861 -0.58911 5.56e-01
INST6.1     0.03597    1.0366   0.3696  0.09731 9.22e-01
TX2.1       0.08314    1.0867   0.1829  0.45452 6.49e-01
SITE2.1    -0.13228    0.8761   0.2413 -0.54817 5.84e-01
SITE4.1    -0.02888    0.9715   0.2326 -0.12420 9.01e-01

Likelihood ratio test=54.9  on 18 df, p=1.327e-05 n= 193
> (rsq=1-sum((f$residuals)^2)/sum((u$TIME-mean(u$TIME))^2))
[1] 0.9999954


请教一下结果对于变量的诸如
INST2             1   1.00  0.05        1      1      .
INST3             1   1.00  0.05        1      1      .
INST4             1   1.00  0.05        1      1      .
INST5             1   1.00  0.05        1      1      .
INST6             1   1.00  0.05        1      1      .
是如何进行解释理解的？其中原数据是口咽癌数据中机构代码变量INST是定性变量，取值1,2,3,4,5,6；TIME是生存时间，STAUS表示0：数据缺失，1：死亡。求指导