外觀
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) | 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) | ≥ 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) | 0 → ∞,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 → H | |
| H → S | |
| S → h | |
| h → H |
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:

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) | 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 | 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) | 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 | 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。