外觀
Statistics › 存活分析
存活分析 (Survival Analysis)
分析事件發生時間 (time-to-event) 的資料:不只問「有沒有發生」,還問「何時發生、風險如何隨時間變化、哪些因素加速或延緩它」。核心挑戰是設限 (censoring):研究結束時事件還沒發生的觀測。
一般迴歸做不到的原因:(1) 設限,直接刪除或當成未發生都會造成偏誤;(2) 風險隨時間改變,邏輯斯迴歸把結果當二元,完全忽略時間。
| 領域 | 事件 | 時間 |
|---|---|---|
| 醫學 | 死亡、復發、發病 | 診斷 / 手術到事件的天數 |
| 工程 | 零件故障 | 運轉時數 |
| 商業 / SaaS | 顧客流失、取消訂閱 | 註冊後天數 |
| 人資 | 員工離職 | 到職後月數 |
| 金融 | 貸款違約 | 核貸後月數 |
建議順序
text
資料結構與設限 → S(t) / h(t) → Kaplan-Meier + log-rank → Cox 模型 → 診斷 → 參數模型 → 解讀與視覺化時間軸與設限邏輯還不直覺之前,不要急著跳到 Cox 模型。
筆記
| 筆記 | 回答的問題 |
|---|---|
| 核心概念與設限 | 存活資料長什麼樣?什麼是設限? |
| 存活函數與風險函數 | 怎麼用數學描述存活過程? |
| Kaplan-Meier | 怎麼估計與畫存活曲線? |
| Log-rank 檢定 | 兩組以上的存活曲線不同嗎? |
| Cox 比例風險模型 | 共變數如何影響風險?什麼是 hazard ratio? |
| 模型診斷 | 比例風險假設成立嗎?怎麼修? |
| 參數模型 | 何時用 Weibull、Exponential、Log-normal、AFT? |
| 結果解讀 | 怎麼把輸出翻成有意義的結論? |
| 視覺化 | 該畫哪些圖、怎麼讀? |
主要套件:Python lifelines、scikit-survival;R survival、survminer。