生存分析：从奶茶店排队读懂 Kaplan-Meier 与 Cox 模型

可视化演示

可视化展示Kaplan-Meier生存估计、Cox比例风险模型系数与组间生存曲线对比，交互调节参数体验删失数据处理与预后因素评估。

生存分析概述

小茶老板在开业第一天就犯了难。每位顾客进店后，有的 3 分钟买到奶茶心满意足离开，有的等了两分钟就扭头走人，还有的打烊时仍在排队。老板想知道：“顾客究竟要等多久才能喝到我的奶茶？”这个问题看似简单，却让普通统计方法束手无策——因为有一大批顾客的“等待结果”是未知的。

这种困境在现实世界中无处不在：医生想知道患者从确诊到复发要多久，工程师想知道设备从投用到故障要多久，产品经理想知道用户从注册到流失要多久。研究这类“从起点到事件发生所经历的时间”的学问，就是生存分析。它的独特之处在于，因变量不再是单一的数值或类别，而是两个维度：时间（等了多久）和事件（是否等到了）。

生存分析的核心变量是生存函数 $S(t)$，它刻画的是“到时刻 $t$ 为止，仍然存活（仍在排队）的概率”。

如果说 $S(t)$ 是奶茶店大厅里的电子屏——实时显示“还有多少比例的人没喝到奶茶”——那么老板的所有经营策略，本质上都是要让这条曲线“掉得更快”或“掉得更稳”。

删失数据类型

打烊后，小茶看着记录本愁眉不展：有的顾客等了 10 分钟实在不耐烦走了，他们原本要等多久？有的顾客进店后老板去后厨忙活，回头人已经拿着奶茶走了，没记下确切购买时刻；还有顾客打烊时仍排在队伍里。这些“信息不完整”的记录，在生存分析中有一个专有名字——删失（censoring）。

删失不是数据错误，而是观察窗口的客观局限。真实等待时间一定存在，只是我们的眼睛（观察窗口）没能完整看到它。生存分析的智慧在于：不丢弃删失样本，而是充分挖掘“至少等了这么久”这一半截信息。

三种最常见的删失类型，恰好对应奶茶店的三种场景：

• 右删失：顾客打烊时仍在排队，或中途走后再无音讯——只知道真实等待时间大于记录的时间。

• 左删失：顾客在老板抬头前就已经买到/离开——只知道真实等待时间小于某个时间点。

• 区间删失：老顾客两天后才来回访说“那天我买到啦”——只知道事件发生在两次回访之间。

为了统一处理这些信息，生存分析用一对变量描述每个样本：

删失数据就像一本“不完整的账本”——虽然不知道顾客最终买没买到，但“他至少等到了某个时刻”这个事实本身就是信息。聪明的统计学家正是靠这些“半截信息”把账算完整的，这也正是生存分析区别于普通回归的魅力。

生存与风险函数

小茶老板渐渐摸出两个关键指标：一是“此刻还有多少人没买到”（大厅显示屏），二是“此刻正在排队的人里，下一秒有多少人会买到或放弃”（队伍流动速度）。前者是生存函数 $S(t)$，后者是风险函数 $h(t)$。两者从不同角度描述同一件事。

生存函数关注存量——还剩多少人坚挺着；风险函数关注流速——此刻排队的人面临的“出事”强度。风险函数的正式定义有点吓人，但拆开看就是“瞬时条件概率”：

这里的“风险”不一定是坏事：对奶茶店来说风险=买到奶茶；对疾病研究来说风险=复发或死亡。风险函数就像一个“速度表”，告诉我们事件在某个瞬间发生的势头有多猛。

逐字解析

1. 极限符号：$\lim_{\Delta t \to 0}$ 表示让时间窗口 $\Delta t$ 无限缩小，考察“某一瞬间”的瞬时变化，而不是一段区间内的平均。

$$\lim_{\Delta t \to 0}$$

2. 条件概率分子：$P(t \le T < t + \Delta t \mid T \ge t)$ 是在“已排队到时刻 $t$”的前提下，接下来 $\Delta t$ 这么短的时间内发生事件的概率。

$$P(t \le T < t + \Delta t \mid T \ge t)$$

3. 除以时间窗：除以 $\Delta t$ 把“概率”转化为“单位时间的速率”——这就是为什么 $h(t)$ 可以大于 1，它不是概率而是速率。

$$\frac{\text{概率}}{\Delta t}$$

4. 整体含义：$h(t)$ 等于“此刻仍存活者”在瞬间出事（买到/放弃/死亡）的强度，值越大说明当前时刻越“危险”。

$$h(t) = \lim_{\Delta t \to 0} \frac{P(t \le T < t + \Delta t \mid T \ge t)}{\Delta t}$$

生存函数与风险函数是数学上的“镜像”关系：知道了任意时刻的风险函数，就能通过积分还原出生存曲线 $S(t) = \exp(-\int_0^t h(u)du)$——风险累积得越快，幸存者比例下降得就越猛。如果说 $S(t)$ 是“还剩多少人排队”的余额，$h(t)$ 就是“当前队伍的消化速度”：速度快的窗口让余额迅速清零。

Kaplan-Meier 法

小茶老板想画一条“还没买到奶茶的人的比例”随时间变化的曲线。但数据混杂着买到的人、等不及走的人和打烊时仍在排队的人——怎么画？统计学家 Kaplan 和 Meier 在 1958 年给出了答案：乘积极限法。

KM 估计是非参数方法，它不假设生存时间服从指数分布或正态分布，只利用每个“事件发生时刻”的信息来逐步更新生存概率。核心思想朴素得像记账：只在有人买到奶茶的时刻，把生存概率往下乘一个折扣。

其中 $n_i$ 是 $t_i$ 时刻仍处于“风险集”的人数（还没买到且没被删失），$d_i$ 是该时刻买到奶茶的人数。每个事件时刻，生存概率乘以一个小于 1 的折扣因子。

逐字解析

1. 风险集人数 n_i：$n_i$ 是 $t_i$ 时刻之前仍未买到且未被删失的顾客数——他们是“还有资格买到”的候选人。

$$n_i$$

2. 事件人数 d_i：$d_i$ 是在 $t_i$ 时刻恰好买到奶茶的人数，每个事件都会让生存概率下降一截。

$$d_i$$

3. 当期存活折扣：$1 - \frac{d_i}{n_i}$ 表示“经历了这个时刻后仍然没买到的比例”，这是一级台阶的剩余高度。

$$1 - \frac{d_i}{n_i}$$

4. 连乘累计：$\prod_{t_i \le t}$ 把所有不晚于 $t$ 的时刻的折扣乘起来，得到 $t$ 时刻的累计生存概率。这就是“乘积极限”名称的来源。

$$\hat{S}(t) = \prod_{t_i \le t} \left(1 - \frac{d_i}{n_i}\right)$$

KM 曲线画出来像一段段向下的台阶：每一次有人买到，台阶就降一截；删失的顾客不改变台阶高度，只是让后面的“分母”变少，相当于从统计名单上悄悄划掉。利用 KM 曲线还能读出中位生存时间——即曲线首次跌破 50% 对应的横坐标。对奶茶店而言，这条曲线清楚回答：“开张 15 分钟后，还有一半顾客没喝到奶茶。”

对数秩检验

普通窗口和加急窗口的 KM 曲线画在一起，肉眼可见加急窗口的曲线“掉得更快”。但小茶老板是严谨的生意人：万一这只是随机波动呢？他需要一个统计检验来拍板。

对数秩检验（log-rank test）就是为“比较两条生存曲线是否有显著差异”而生的假设检验。它的零假设是“两组人群的生存函数完全相同”，于是设计了一种巧妙的对账方式：在每个事件发生时刻，按照两组的风险集人数比例，计算“如果两组真的一样，各自该有多少人买到”——这就是期望事件数；再把期望数与实际观察到的买入人数对比。

其中 $O$ 是观测事件数，$E$ 是零假设下的期望事件数。$\chi^2$ 越大，说明实际与期望偏离越远，两组差异越不可能是偶然。

逐字解析

1. 观测事件数 O：$O_1$、$O_2$ 分别是普通窗口与加急窗口实际观测到的买到奶茶人数——来自真实数据。

$$O_1, O_2$$

2. 期望事件数 E：$E_1$、$E_2$ 是在“两组生存率相同”的假设下，按每个时点风险集比例分配的期望事件数——好比“本该发生的对账数字”。

$$E_1, E_2$$

3. 标准化偏差：$\frac{(O-E)^2}{E}$ 是每个组的实际与期望之差平方后再除以期望，偏差被放大并归一化。

$$\frac{(O-E)^2}{E}$$

4. 卡方统计量：两组偏差相加得到 $\chi^2$，服从自由度 1 的卡方分布；若 $\chi^2$ 超过临界值（对应 p<0.05），拒绝“两组相同”的假设。

$$\chi^2 = \frac{(O_1 - E_1)^2}{E_1} + \frac{(O_2 - E_2)^2}{E_2}$$

log-rank 检验就像一场期末对账：先按人数比例算“每组该卖多少杯”，再与实际售卖量对照——出入大到离谱，就说明加急窗口确实改写了规则。但要注意，log-rank 检验只能处理分组比较，当你想同时调整年龄、甜度偏好等混杂因素时，就必须请出下一节的 Cox 模型了。

Cox 回归模型

KM 曲线和 log-rank 检验解决了“两组有没有差异”的问题，但小茶老板的野心更大：甜度、温度、加不加珍珠、是否用 APP 下单……这么多因素同时影响排队时长，KM 曲线无法同时拆分它们——总不能把 16 种组合各自画一条曲线吧？

Cox 比例风险模型（Cox 回归）登场的时刻到了。它的天才设计是：不关心风险函数的“地基”长什么样，只关心协变量如何成倍地改变风险。任何一个个体的风险 = 一个共同的基线风险 × 一个由协变量决定的倍增因子：

$h_0(t)$ 是基线风险（所有协变量为 0 时的风险），它可以任意变化而我们不设任何分布假设；$X$ 是协变量（甜度、是否加珍珠等），$\beta$ 是待估计的系数。由于只对“指数部分”做参数假设、对 $h_0(t)$ 不做假设，Cox 模型被称为半参数模型。

逐字解析

1. 基线风险 h0(t)：$h_0(t)$ 是当所有协变量取 0 时的风险函数，它是“基础价格表”，随时间任意变化但所有人共享。

$$h_0(t)$$

2. 协变量线性组合：$\beta_1 X_1 + \cdots + \beta_p X_p$ 是各协变量的加权求和，$\beta$ 的正负和大小决定每个因素推高还是压低风险。

$$\beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_p X_p$$

3. 指数倍增器：$\exp(\cdot)$ 把线性组合映射为正数，将“加减法”变成“乘除法”——风险只能以比例倍数改变，不可能变负数。

$$\exp(\beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_p X_p)$$

4. 整体结构：个体风险 = 基线风险 × 倍增因子。估计出 $\beta$ 后，风险比 $HR = \exp(\beta_j)$ 表示“协变量 $X_j$ 每增加 1 单位，事件风险变为原来的 $e^{\beta_j}$ 倍”。

$$h(t \mid X) = h_0(t) \exp(\beta^T X)$$

Cox 模型就像奶茶店的“定价公式”：基础价格因人因时而异（$h_0(t)$），但“每加一份珍珠 +3 元、用 APP 下单 -2 元”这类规则对所有顾客统一适用。风险比 HR 就是这些规则的价格标签——HR=2 相当于“甜度每加一档，买到奶茶（或放弃排队）的速度快一倍”，HR=0.5 则相当于风险减半。正因如此，Cox 回归成为医学文献里最常出现的统计模型，几乎每篇临床试验论文都会报告各因素的 HR 与置信区间。

假定诊断与选模

Cox 模型有一个默认前提：加急窗口的优势在任何时间段都保持相同的倍数——排队 1 分钟时加急快 1.5 倍，排队 20 分钟时依然快 1.5 倍。这个前提靠谱吗？现实中很可能不成立：高峰期窗口全忙、加急形同虚设，空闲期加急随到随取、快好几倍。

这个前提就是比例风险假定（PH 假定）：两组的风险比 $HR$ 不随时间变化。如果违反，Cox 回归报告的 HR 就成了“全时段的平均印象”，不再可靠。幸运的是，统计学家设计了诊断工具——Schoenfeld 残差：

其思想很直观：如果模型正确且 PH 假定成立，那么每个事件时点的“实际值与模型期望值的偏差”（即残差）应当是随机噪声，随时间没有趋势。检验残差与时间的相关性，就能判断假定是否被违反。

逐字解析

1. Schoenfeld 残差：$\hat{r}_i^{*}$ 是第 $i$ 个个体的 Schoenfeld 残差，反映该个体在事件时点，协变量实测值与模型期望值之间的偏差。

$$\hat{r}_i^{*}$$

2. 时间秩：$\text{rank}(t_i)$ 是所有事件时间的排序值——把时间换成 1, 2, 3, … 的序号，用于捕捉“残差是否随时间有趋势”。

$$\text{rank}(t_i)$$

3. 相关系数：$\rho$ 衡量残差与时间秩的相关程度，接近 0 说明残差不随时间变化。

$$\text{corr}(\hat{r}_i^{*}, \text{rank}(t_i))$$

4. 判断准则：对该 $\rho$ 做显著性检验，若 p>0.05，则没有证据拒绝 PH 假定，Cox 模型的解释是可信的。

$$\rho = \text{corr}(\hat{r}_i^{*}, \text{rank}(t_i))$$

如果 PH 假定不成立，该怎么办？两条路：一是引入时变协变量（让 $\beta$ 随 $t$ 分段变化），二是做分层 Cox 模型（对违反假定的变量分层分析）。在变量选择方面，由于组学数据动辄成千上万个基因/蛋白特征，现代分析会用 LASSO-Cox 在偏似然函数上添加 L1 惩罚，把不重要的协变量系数压缩到 0，实现稀疏变量选择：

PH 假定检验就像抽查“加急窗口的优惠是否全天候”——如果高峰期和空闲期的加速倍数差距巨大，那张“加急快 1.5 倍”的招牌就名不副实。模型诊断的意义，正是把这类深层问题揪出来，避免在汇报时被审稿人一句"PH assumption violated"打回。

AI 应用场景

Python 演示

import numpy as npimport pandas as pdfrom lifelines import KaplanMeierFitter, CoxPHFitterfrom lifelines.statistics import logrank_test # 模拟奶茶店排队数据：加急窗口平均等待更短rng = np.random.default_rng(42)n = 200fast_window = rng.integers(0, 2, n) def simulate(group_id):    event_t = rng.exponential(10 if group_id == 1 else 18)    censor_t = rng.exponential(25)    obs_t = min(event_t, censor_t)    return obs_t, int(event_t <= censor_t) records = [simulate(g) for g in fast_window]df = pd.DataFrame(records, columns=['wait_time', 'event'])df['fast_window'] = fast_windowdf['sugar_level'] = rng.normal(50, 10, n) # 1. 分窗口拟合 KM 生存曲线kmf = KaplanMeierFitter()for g, label in [(0, '普通窗口'), (1, '加急窗口')]:    mask = df['fast_window'] == g    kmf.fit(df.loc[mask, 'wait_time'],            event_observed=df.loc[mask, 'event'],            label=label)    kmf.plot_survival_function() # 2. 对数秩检验：两组生存曲线是否有显著差异res = logrank_test(    df.loc[df['fast_window'] == 0, 'wait_time'],    df.loc[df['fast_window'] == 1, 'wait_time'],    event_observed_A=df.loc[df['fast_window'] == 0, 'event'],    event_observed_B=df.loc[df['fast_window'] == 1, 'event'])print('log-rank p 值:', round(res.p_value, 4)) # 3. Cox 比例风险模型：同时考察窗口类型与甜度cph = CoxPHFitter()cph.fit(df, duration_col='wait_time', event_col='event')cph.print_summary()

1. event_t = rng.exponential(10 if group_id == 1 else 18)加急窗口平均等待时间更短，模拟真实差异
2. obs_t = min(event_t, censor_t)观测时间取真实事件与删失时间的较小者，这是处理删失的关键写法
3. kmf.fit(df.loc[mask, 'wait_time'], event_observed=...)对每组数据拟合 KM 曲线，删失由 event_observed 参数自动处理
4. logrank_test(...)比较两组生存曲线，p 值小于 0.05 说明加急窗口确实有效
5. cph.fit(df, duration_col='wait_time', event_col='event')拟合 Cox 模型，自动估计每个协变量的风险比与 p 值

常见误区

面试题