目录
生存分析是一种常用于医学研究的方法，但该方法最早用于武器寿命的分析，如考虑炮弹存放一年后仍可正常使用的概率。该方法可用于其他很多领域，如：
（1）职员在公司任职的时间（员工在公司待k年的概率）
（2）产品的寿命预测（可靠性）
（3）治愈某疾病所需时间（使用药物k年后病人的存活率）
在针对总体生存时间都比较短的疾病的研究中，生存分析比考虑结局，不考虑时间因素的Logistic模型等方法的效率要高的多。
如果相应疾病的结局都非常好，比如几乎人人都可痊愈的感冒，生存分析的利用价值并不大，因为除非是特殊情况，感冒晚好两天对医生或病人来说并没有太大影响。
也被称为“死亡”事件或失败事件，表示观测到受访对象出现了我们所规定的结局。失效事件的认定是生存分析的重要环节，必须绝对准确。
失效事件应当由研究目的而决定，并非一定是死亡（如研究灯泡寿命），而死亡也并非一定是发生了失效事件（如肺癌患者死于其他疾病）。
终止随访不是由于失效时间发生，而是无法继续随访下去，常用符号“+”表示，如：
随访观察持续的时间，按失效事件发生或失访前最后一次的随访事件记录，常用符号t表示。
根据失效事件的定义不同，生存时间可能是各种类型的指标，甚至可能不是“时间”，如：
生存率也称为生存函数S(t) ，指某个受访对象活过t时刻的概率，用S(t)=P(x>t) 表示，可见S(t)=1-F(t) ，其中F(t) 为生存时间的分布函数。
根据不同研究问题定义的失效事件，生存率可以是产品有效率、可靠性等。
首先要求观察的生存时间X 服从某一特定的分布，采用估计分布中参数的方法获得生存率P(X>t) 的估计值。
生存时间的分布F(.) 可能为指数分布、weibull 分布、对数正态分布等，这些分布曲线都有相应的生存率函数形式。只需求得相应参数的估计值，即可获得P(X>t) 的估计值和曲线。
P(X>t)=1-F(t)
实际工作中，多数生存时间的分布不符合上述常见的分布，就不宜用参数法进行分析，而应当用非参数法。
这类方法的检验假设与以往所学的非参数法一样，原假设是两组或多组的总体生存率曲线分布相同（不论总体的分布形式和参数如何）。如检验服药组和对照组的生存曲线是否有显著差异，从而判断药物疗效。
非参数法是生存数据的常用分析方法
只规定了影响因素和生存状况间的关系，但是没有对事件（和风险函数h(t) ）的分布情况加以限定。
这种方法主要用于分析生存率的影响因素，属多因素生存分析方法，典型方法是Cox等比例风险模型。
是最基本的一种生存分析方法，例如新药组与对照组疾病疗效的比较研究
Cox等比例风险模型属于半参数模型，与参数模型相比，该模型不能给出各时点的生存率，其对生存时间的分布无要求，可发掘在整个研究时段内对生存状况影响显著的因素，并估计出各因素对生存率的影响程度，因而应用范围更广。为了纪念Cox的贡献，统计学家把它称为Cox等比例风险模型（Cox回归模型）
生存到时刻t的观察对象在时刻t的瞬间死亡率称为风险函数（hazard function）。
在比例风险模型中，假设在时点t个体出现观察结局的风险大小可以分解为两个部分：有一个基本风险量h0(t) ，代表没有任何自变量影响下的生存状况（反映病人不采取任何措施时的生存状况）；第i个影响因素使得在任意一个时点t的死亡风险（风险函数值）从h0(t) 增加e(biXi) 倍，称为ht=h0(t)e(biXi) 。
因此，如果在k各因素同时影响生存过程的情况下，在时点t的风险函数值就为：
上式取对数，移项得：
log(Z)=X'β+ε=β0+β1X1+β2X2+β3X3+ε
其中，Z0=exp(ε) 称为基准生存时间，Z=Z0e(X'β) 。
