Skip to content

Statistics › 存活分析 › 參數模型

參數存活模型 (Parametric Survival Models) ​

假設事件時間服從特定分配,明確定義風險函數的形狀。與 Cox(基線風險不指定)相比,能得到平滑的存活與風險估計、外推到觀察期之外、直接計算平均存活時間。

參數模型的力量來自結構;但分配選錯時,同樣的結構就變成負擔。Cox 通常是較安全的預設,當形狀假設真的有資訊時,參數模型才更強。

Cox vs 參數模型 ​

Cox參數模型
基線風險不指定(無母數)由已知分配明確建模
輸出風險比 (HR)存活、風險、平均時間、時間比
外推不行可以(但要小心)
適用預後因子分析外推、模擬、成本效益、可靠度、小樣本

常見分配 ​

分配風險形狀參數典型應用
Exponential 指數固定1(λ)設備可靠度、簡單過程(無記憶性)
Weibull單調遞增或遞減2(λ 尺度、k 形狀)醫學存活、可靠度測試;最常用
Gompertz指數遞增2人類死亡率
Log-normal 對數常態先升後降2生物恢復期、潛伏期
Log-logistic先升後降、尾巴較厚2有晚期事件的長期存活;存活函數有封閉解

Weibull:S(t)=exp⁡[−(t/λ)k]、h(t)=kλ(t/λ)k−1;k > 1 風險遞增、k < 1 遞減、k = 1 為指數分配。各函數的關係見 存活與風險函數。

風險看起來…候選分配
大致固定Exponential
單調遞增或遞減Weibull
先升後降Log-normal、Log-logistic
厚尾、有晚期事件Log-logistic

不要只因方便而選分配:把配適曲線疊在 KM 上,並比較候選模型的 AIC。

兩種參數化:PH 與 AFT ​

參數化模型係數解讀適用分配
比例風險 (PH)hi(t)=h0(t;θ)eβ⊤xiexp(β) = HRExponential、Weibull、Gompertz
加速失敗時間 (accelerated failure time, AFT)log⁡Ti=μ+β⊤xi+σεexp(β) = 時間比 (time ratio);> 1 存活時間延長Weibull、Log-normal、Log-logistic

Weibull 同時屬於 PH 與 AFT 兩族。PH 成立時,參數模型與 Cox 的 HR 會很接近;PH 不成立時,AFT 是常見的替代方案,見 模型診斷。

Python 範例 ​

python
import matplotlib.pyplot as plt
from lifelines import (KaplanMeierFitter, ExponentialFitter, WeibullFitter,
                       LogNormalFitter, LogLogisticFitter, WeibullAFTFitter)
from lifelines.datasets import load_rossi

rossi = load_rossi()
T, E = rossi["week"], rossi["arrest"]

# 1. 無共變數:比較候選分配
ax = KaplanMeierFitter().fit(T, E, label="KM").plot_survival_function(color="black")
for f in [ExponentialFitter(), WeibullFitter(), LogNormalFitter(), LogLogisticFitter()]:
    f.fit(T, E)
    f.plot_survival_function(ax=ax, ci_show=False)
    print(f"{f.__class__.__name__:20s} AIC = {f.AIC_:.1f}")      # 越小越好
plt.show()

# 2. 有共變數:Weibull AFT 迴歸
aft = WeibullAFTFitter().fit(rossi, duration_col="week", event_col="arrest", formula="fin + age + prio")
aft.print_summary()                          # exp(coef) = 時間比
aft.predict_median(rossi.head())             # 每個人的預測中位存活時間

R(flexsurv):

r
library(survival); library(flexsurv)
m <- flexsurvreg(Surv(time, status) ~ age + treatment, data = clinical_data, dist = "weibull")
summary(m); plot(m, type = "survival")
# 也可用 survreg(Surv(time, status) ~ x, dist = "weibull")(AFT 參數化)

評估 ​

檢查做法
配適度候選模型的 AIC
圖形預測曲線 vs KM 曲線;Weibull 的 log(−log S) vs log t 應為直線
殘差Cox-Snell 殘差應近似 Exp(1)(其累積風險圖應沿 45° 線)
與 Cox 比較PH 成立時結果應相近

何時參數模型勝過 Cox ​

  • 需要外推到觀察期之外(長期追蹤、成本效益分析的終身模型)
  • 樣本不大,而合理的形狀假設能穩定估計
  • 需要以時間表達的摘要(平均存活、時間比)
  • 模擬、衛生經濟學、可靠度工程需要完整的分配
  • 有左設限或區間設限(概似框架可直接處理)
優點限制
平滑連續的存活與風險估計需要正確的分配假設
可外推設定錯誤 → 結果有偏
直接估計平均 / 中位存活時間彈性不如 KM
適合模擬與經濟模型可能配適不了複雜的風險型態(考慮 flexible parametric / spline 模型)

在觀察期內配適得好,不保證外推可靠。長期預測的可信度,完全取決於背後的分配假設。