外觀
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:
| 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) | exp(β) = HR | Exponential、Weibull、Gompertz | |
| 加速失敗時間 (accelerated failure time, AFT) | exp(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。