Skip to content

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。