SPSS26统计分析笔记——10 生存分析

1 生存分析基本概念

2 寿命表分析

        寿命表分析（Life Table Analysis）是生存分析中的一种方法，用于估计事件发生的时间分布，特别是当数据包含删失数据时。寿命表分析主要通过将生存时间划分为若干时间段，计算每个时间段的生存率和风险率，来分析个体在某一时间段内的生存情况。它与Kaplan-Meier分析类似，但寿命表方法通常使用固定的时间间隔。
$$E(D_x)=\sum _{i=1}^{n_x}{s}_i-r_i{q}_{x+r_i}=d_x$$
        $n_x$在$x$岁时候进入研究的样本个数；
        $r_i$第$i$个样本在$x$岁时的进入时间$(0⩽r_i<1)$；
        $s_i$第$i$个样本在$x$岁时的退出时间$(0⩽s_i<1)$；
        $q_{x+r_i}$在$x+r_i$岁进入研究的人再活$s_i-r_i$岁后死亡的概率；
        $s_i-r_i$第$i$个样品在$x$岁时的暴露；
        $d_x$样本在$[x,x+1)$岁间死亡的个体数量；
        $D_x$总体在$[x,x+1)$岁间死亡的个体数量。
        由于：$$s_i-r_i{q}_{x+r_i}\approx (s_i-r_i)q_x$$
        所以：$$E(D_x)=q_x\sum _{i=1}^{n_x}(s_i-r_i)=d_x\Rightarrow {\hat{q}}_x=\frac{d_x}{\sum _{i=1}^{n_x}(s_i-r_i)}$$
        $q_x$在$x$岁存活的人在$[x,x+1)$岁死亡的概率，${\hat{q}}_x$为其近似值。

3 Kaplan-Meier分析

        Kaplan-Meier分析是一种用于估计生存函数的非参数方法，特别适合于生存数据中含有删失数据的情况。与寿命表分析相比，Kaplan-Meier分析不需要将时间划分为固定间隔，而是基于事件发生的时间点进行估计，因此可以更准确地估计生存率。
        积累生存分析估计值：$$\hat{V}ar[\hat{S}(t)]=[\hat{S}(t){]}^2\sum _{t_i⩽1}\frac{d_i}{y_i(y_i-d_i)}$$
        $t_i$第$i$个事件发生时刻；
        $d_i$在时刻$t_i$发生事件的个体数；
        $y_i$在时刻$t_i$面临分险的个体数；
        生存分析$p$分位点$x_p$： x p = i n f { t : S ( t ) ⩽ 1 − p } {x_p} = inf\left\{ {t:S(t) \leqslant 1 - p} \right\} xp​=inf{t:S(t)⩽1−p}

4 Cox回归分析

        Cox回归分析，也称为Cox比例风险模型，是一种生存分析方法，用于评估多个协变量（独立变量）对生存时间（因变量）的影响。它可以处理删失数据，即那些在研究结束时仍未发生事件（如死亡、复发、故障等）的个体。
        Cox模型的核心思想：Cox模型的目标是估计风险函数（Hazard Function），即某个个体在某时刻面临事件（如死亡、复发、设备故障）发生的风险概率，条件是该个体已经存活到该时刻。风险函数可以理解为单位时间内事件发生的速率。
        Cox比例风险模型的风险函数形式如下：$$h(t,x)=h_0(t)e^{{\beta }_1{x}_1+{\beta }_2{x}_2+\cdots +{\beta }_m{x}_m}$$$$\ln \left(\frac{h(t,x)}{h_0(t)}\right)={\beta }_1{x}_1+{\beta }_2{x}_2+\cdots +{\beta }_m{x}_m$$
        $x_1+x_2+\cdots +x_m$危险因素（协变量）；
        $h_0(t)$基准风险函数，表示在没有任何协变量影响下的风险率；
        $h(t,x)$是给定协变量$X$的个体在时间$t$的风险函数。
        比例风险假设要求，不同个体的风险函数之比在任何时间点都是常数，也就是说，协变量的效应不会随时间而变化。
        Cox模型的比例风险假设： h { ( t ) , ( x 1 , x 2 , ⋯   , x m ) } h { ( t ) , ( x 1 ∗ , x 2 ∗ , ⋯   , x m ∗ ) } = e β 1 x 1 + β 2 x 2 + ⋯ + β m x m e β 1 x 1 ∗ + β 2 x 2 ∗ + ⋯ + β m x m ∗ \frac{{h\left\{ {(t),({x_1},{x_2}, \cdots ,{x_m})} \right\}}}{{h\left\{ {(t),(x_1^*,x_2^*, \cdots ,x_m^*)} \right\}}} = \frac{{{e^{{\beta _1}{x_1} + {\beta _2}{x_2} + \cdots + {\beta _m}{x_m}}}}}{{{e^{{\beta _1}x_1^* + {\beta _2}x_2^* + \cdots + {\beta _m}x_m^*}}}} h{(t),(x1∗​,x2∗​,⋯,xm∗​)}h{(t),(x1​,x2​,⋯,xm​)}​=eβ1​x1∗​+β2​x2∗​+⋯+βm​xm∗​eβ1​x1​+β2​x2​+⋯+βm​xm​​