Skip to content

Statistics › 存活分析 › 存活與風險函數

存活函數與風險函數 (Survival & Hazard Functions) ​

三個函數是同一件事的三種視角,知道任一個就能推出其他兩個。KM 估計 S(t)、Cox 模型建模 h(t)、Nelson-Aalen 估計 H(t)。

三個函數 ​

函數定義範圍回答
存活函數 S(t) (survival function)P(T>t)1 → 0,單調不增到時間 t 還有多少比例未發生事件?
風險函數 h(t) (hazard function)limΔt→0P(t≤T<t+Δt∣T≥t)Δt≥ 0,可以 > 1已活到 t 的人,此刻發生事件的瞬間速率?
累積風險 H(t) (cumulative hazard)∫0th(u)du0 → ∞,單調不減,不受 1 限制到 t 為止累積的風險

風險 ≠ 機率。h(t) 是速率(單位 1/時間)。很多解讀錯誤來自把 hazard 當成機率。

為什麼用 H(t)?h(t) 直接從資料估計很雜亂;H(t) 較平滑、容易估計(Nelson-Aalen),而且指數分配下 H(t) 是直線,可做圖形檢查。

函數間的關係 ​

從 → 到公式
S → HH(t)=−ln⁡S(t)
H → SS(t)=e−H(t)
S → hh(t)=−ddtln⁡S(t)=f(t)/S(t)
h → HH(t)=∫0th(u)du
python
import numpy as np
import pandas as pd
from scipy.stats import weibull_min

dist = weibull_min(c=1.8, scale=20)
t = np.array([5, 10, 15, 20, 25, 30])
S = dist.sf(t)                       # S(t) = 1 − CDF
H = -np.log(S)                       # H(t) = −ln S(t)
h = dist.pdf(t) / S                  # h(t) = f(t) / S(t)
pd.DataFrame({"t": t, "S": S.round(3), "H": H.round(3), "h": h.round(4)})
# t = 20(= scale)時 S = e^{-1} ≈ 0.368、H = 1

風險的形狀 ​

型態說明例子對應分配
固定 (constant)風險不隨時間改變(無記憶性)放射性衰變、部分電子故障Exponential;Weibull k = 1
遞增 (increasing)風險隨時間增加老化死亡、機械磨損Weibull k > 1、Gompertz
遞減 (decreasing)風險隨時間下降術後恢復期、嬰兒死亡率Weibull k < 1
浴缸形 (bathtub)早期高、中期低、晚期高機器壽命(初期故障 + 磨損)混合 / 分段模型
單峰 (hump-shaped)先升後降診斷後癌症死亡率Log-normal、Log-logistic

Weibull:S(t)=e−(t/λ)k、h(t)=kλ(t/λ)k−1、H(t)=(t/λ)k。log H(t) 對 log t 為直線(斜率 k),可用來檢查 Weibull 是否合適。各分配的比較與配適見 參數模型。

Weibull S(t), h(t), log H(t)

三條 S(t) 都在 t = λ = 20 交於 e⁻¹ ≈ 0.368:λ 決定時間尺度,k 決定風險隨時間的形狀。

摘要統計量 ​

統計量定義解讀用途
中位存活時間 (median survival)S^(t)=0.5 的 t一半的人發生事件的時間最常用;不需要完整追蹤
平均存活時間∫0∞S(t)dt期望無事件時間追蹤不完整時通常無法估計
RMST(τ) 限制平均存活時間 (restricted mean survival time)∫0τS(t)dt到 τ 為止的平均存活時間中位數無法估計或曲線交叉時
固定時點存活率S^(t∗)存活超過 t* 的機率1 年、3 年、5 年存活率

中位存活與 RMST 描述絕對存活經驗;Cox 的 hazard ratio 描述相對風險。兩者都報告較完整,見 結果解讀。