{
  "id": "cox-proportional-hazards-model",
  "title": "Cox比例风险模型",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "一种用于事件发生时间数据的半参数模型，无需指定基准风险函数的形状即可估计协变量对风险的影响。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "Cox模型",
    "比例风险回归",
    "Cox回归"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/cox-proportional-hazards-model/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/cox-proportional-hazards-model/",
      "json": "https://aiwiki.page/en/cox-proportional-hazards-model.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "Cox比例风险模型是一种生存分析模型，用于描述事件发生时间与解释变量之间的关系。该模型由戴维·R.·考克斯于1972年提出，描述了在尚未发生目标事件的个体中，协变量如何以乘法方式影响事件的瞬时发生率。其独特之处在于，无需指定基准事件发生率函数，即可估计回归系数。因此，该模型被称为半参数模型：它将有限维的回归部分与一个未指定具体形式的时间函数相结合。\n\n该模型广泛应用于流行病学、临床研究、可靠性分析和计量经济学。所研究的结局包括死亡、疾病复发、设备故障、就业状态转变和贷款违约的发生时间。其方法可以处理随访不完整的数据，但要作出有效解释，仍需考虑观测过程、风险集的构建，以及协变量效应随时间变化方式的相关假设。\n\n模型的核心输出通常是风险比，而不是概率之比或生存时间之比。估计通过偏似然进行，偏似然则根据观测到的各个事件发生时点上的比较构建。要得到事件发生的绝对概率，还需要进一步估计基准风险。模型的扩展形式可用于处理随时间变化的协变量、非比例效应、聚类、复发事件和竞争性结局。"
    },
    {
      "heading": "模型设定与比例风险假设",
      "text": "设 \\(T\\) 为非负的事件发生时间，其生存函数为 \\(S(t)=P(T>t)\\)。对于连续分布的事件发生时间，风险函数定义为\n\n\\[h(t)=\\lim_{\\Delta t\\downarrow 0} \\frac{P(t\\leq T<t+\\Delta t\\mid T\\geq t)}{\\Delta t}.\\]\n\n风险是在事件尚未发生的条件下，事件发生的瞬时速率，而不是事件恰好在时刻 \\(t\\) 发生的概率。如果时间以年为单位，风险的单位就是每年。若概率密度为 \\(f(t)\\)，则有 \\(h(t)=f(t)/S(t)\\)。累积风险为 \\(H(t)=\\int_0^t h(u)\\,du\\)，且 \\(S(t)=\\exp[-H(t)]\\)。\n\n对于固定协变量向量 \\(x\\)，Cox模型设定为\n\n\\[h(t\\mid x)=h_0(t)\\exp(x^\\top\\beta),\\]\n\n其中，\\(h_0(t)\\) 为基线风险，\\(\\beta\\) 为回归系数向量。指数函数保证拟合风险非负，同时允许线性预测子 \\(x^\\top\\beta\\) 取任意实数。基线风险描述的是协变量取值为 \\(x=0\\) 的参照情形；这一情形未必对应典型个体，甚至未必对应现实中可能存在的个体。对协变量进行中心化会改变这一参照情形及相应的基线风险，但不会改变拟合得到的风险比。\n\n对于两组协变量取值 \\(x_a\\) 和 \\(x_b\\)，有\n\n\\[\\frac{h(t\\mid x_a)}{h(t\\mid x_b)} = \\exp\\!\\left[(x_a-x_b)^\\top\\beta\\right].\\]\n\n等式右侧不含 \\(t\\)，这就是比例风险假设。在其他协变量保持不变且不存在相关交互作用的前提下，\\(x_k\\) 每增加一个单位，对应的风险比为 \\(\\exp(\\beta_k)\\)。风险比为 \\(1.5\\)，表示在同一时刻尚未发生事件的个体中，一组的瞬时事件发生率比另一组高50%。这并不意味着最终发生事件的个体会多出50%。\n\n比例风险并不意味着风险恒定。基线风险可以上升、下降或不规则变化；这一假设针对的是相对风险。恒定的基线风险对应指数分布的生存时间，而适当的幂函数形式基线风险则对应威布尔比例风险模型。Cox模型并不指定基线风险的具体形状。\n\n通常，模型中不存在可单独识别的截距项：将 \\(h_0(t)\\) 乘以一个常数，与在线性预测子中加上一个常数具有相同效果。连续预测变量的作用也不必是线性的。变量变换、样条项和统计交互作用都可以纳入预测子，只要相应系数不随时间变化，模型就仍可满足比例风险假设。因此，模型对所记录协变量的线性假设与风险随时间保持比例的假设，是两个不同的建模假设。"
    },
    {
      "heading": "删失、截断与风险集的构建",
      "text": "事件时间数据往往无法被完整观测。在右删失的情况下，只知道事件时间晚于某个删失时间。对于个体 \\(i\\)，记录的数据通常包括\n\n\\[Y_i=\\min(T_i,C_i),\\qquad \\delta_i=\\mathbf{1}(T_i\\leq C_i),\\]\n\n以及协变量 \\(x_i\\)。其中，\\(C_i\\) 为删失时间，\\(\\delta_i\\) 表示是否观测到事件。研究结束、退出研究和失访都可能导致右删失，但它们对统计推断的影响未必相同。\n\n标准Cox分析要求删失机制满足适当的非信息性条件。一种常见的充分条件是：给定模型中纳入的协变量后，事件时间与删失时间条件独立。更一般地说，在给定可用历史信息的条件下，观测到的在险过程必须保持模型所设定的事件强度。删失可以依赖已测量的预测变量，只要对这些变量作了恰当处理，分析仍然有效。如果删失依赖未测量的预后因素，这一条件就可能不再成立。\n\n某一事件时刻的风险集，由该时刻之前一瞬间仍处于观察中、且尚未发生事件的个体组成。对于通常的右删失数据，风险集为\n\n\\[R(t)=\\{j:Y_j\\geq t\\},\\]\n\n具体还取决于删失时间与事件时间重合时所采用的处理约定。被删失的个体在删失前仍参与比较，但在删失时刻并不贡献一个已观测到的事件。因此，删失观测既不会被丢弃，其删失时间也不会被当作事件发生时间。\n\n左截断又称延迟进入，与删失不同。个体只有在直到时间 \\(L_i\\) 都未发生事件的情况下，才会在该时刻进入观察。采用计数过程的区间约定 \\((L_i,Y_i]\\) 时，风险集变为\n\n\\[R(t)=\\{j:L_j<t\\leq Y_j\\}.\\]\n\n例如，当以实际年龄为时间尺度时，一名60岁才入组的参与者不应为50岁时的风险集贡献人时。若将该参与者视为在入组前就已处于观察中，可能会扭曲风险集的构成以及估计出的关联。\n\n时间起点和时间尺度的选择决定了所进行的比较。以入组后的时间为时间尺度的模型，比较的是随访时长相同的参与者；以实际年龄为时间尺度的模型，比较的则是年龄相同的参与者。在第一种方法中，可以将年龄作为协变量纳入模型，但这通常不等同于直接以年龄作为基础时间尺度。\n\n区间删失需要采用其他方法，因为此时只知道事件发生在两次检查之间。通常的Cox偏似然要求能够以足够的精度确定事件发生的先后顺序。用区间中点代替事件时间是一种近似处理，可能改变事件的排序和估计出的效应；它并非标准的区间删失似然方法。"
    },
    {
      "heading": "偏似然与风险集比较",
      "text": "该模型标志性的估计方法是偏似然。首先假设各事件发生时间互不相同，并用 \\(i_k\\) 表示在观测到的事件时间 \\(t_k\\) 发生事件的个体。在给定风险集且该时刻恰有一个事件发生的条件下，模型给出的相对贡献为\n\n\\[\\frac{h_0(t_k)\\exp(x_{i_k}^{\\top}\\beta)} {\\sum_{j\\in R(t_k)}h_0(t_k)\\exp(x_j^\\top\\beta)} = \\frac{\\exp(x_{i_k}^{\\top}\\beta)} {\\sum_{j\\in R(t_k)}\\exp(x_j^\\top\\beta)}.\\]\n\n共同的基线风险在分子与分母中相消。将 \\(D\\) 个观测事件对应的贡献相乘，得到\n\n\\[L_p(\\beta)= \\prod_{k=1}^{D} \\frac{\\exp(x_{i_k}^{\\top}\\beta)} {\\sum_{j\\in R(t_k)}\\exp(x_j^\\top\\beta)}.\\]\n\n相应的对数偏似然为\n\n\\[\\ell_p(\\beta)= \\sum_{k=1}^{D} \\left[ x_{i_k}^{\\top}\\beta- \\log\\left\\{\\sum_{j\\in R(t_k)} \\exp(x_j^\\top\\beta)\\right\\} \\right].\\]\n\n每个因子都将发生事件的个体的协变量，与该时刻所有可能发生事件的个体的协变量进行比较。因此，一个个体在发生事件或退出观察之前，可能出现在多个分母中。同一个人的反复出现是这一方法本身的组成部分，并不意味着假定这些重复出现是相互独立的观测。\n\n偏似然并不是所有事件时间和删失时间的完整似然函数。它提取有关相对风险的信息，同时避免对作为干扰成分的基线风险作出参数化设定。在适当的正则条件和观测假设下，最大化偏似然可得到一致且渐近正态的估计。在标准的半参数比例风险框架下，该估计量还具有一项重要的效率性质：它达到了相应的半参数信息界。\n\n举一个简单的例子，假设仍有三人处于风险集中，他们的某个二元协变量取值分别为 \\(1,0,0\\)。如果取值为1的人接下来发生事件，其贡献为\n\n\\[\\frac{e^\\beta}{e^\\beta+2}.\\]\n\n如果发生事件的是取值为0的某个人，则该个体的贡献为 \\(1/(e^\\beta+2)\\)。综合多个风险集，估计过程会权衡所观测到的事件是否更多地发生在拟合相对风险较高的人群中。\n\n偏似然使用的是事件发生的先后顺序和风险集成员构成，而不是不同事件时间之间的具体间隔。若对时间作严格递增变换，且保持事件顺序和风险集不变，系数估计就不会改变。不过，基线风险估计和预测的生存时间会随时间尺度而变化。延迟进入、时变预测变量和并列观测需要格外谨慎处理，因为它们的编码方式可能影响哪些比较能够进行。"
    },
    {
      "heading": "数值估计、不确定性与并列事件时间",
      "text": "对对数偏似然求导可得其得分函数：\n\n\\[U(\\beta)= \\sum_{k=1}^{D} \\left[x_{i_k}-\\bar x(\\beta,t_k)\\right],\\]\n\n其中\n\n\\[\\bar x(\\beta,t)= \\frac{\\sum_{j\\in R(t)}x_j\\exp(x_j^\\top\\beta)} {\\sum_{j\\in R(t)}\\exp(x_j^\\top\\beta)}.\\]\n\n因此，估计的目标是寻找一组系数，使实际发生事件的个体的协变量与相应的风险集加权均值达到平衡。负海森矩阵是各风险集内加权协方差矩阵之和。软件通常采用牛顿法（Newton–Raphson迭代）或相关算法寻找最大值。当线性预测值较大时，使用对数和指数运算（log-sum-exp）及中心化处理，可以减少溢出及其他数值稳定性问题。\n\n在标准假设下，观测信息矩阵的逆矩阵可用于估计 \\(\\hat\\beta\\) 的协方差矩阵。单个风险比的近似95%置信区间为\n\n\\[\\left[ \\exp\\{\\hat\\beta_k-1.96\\,\\operatorname{SE}(\\hat\\beta_k)\\}, \\exp\\{\\hat\\beta_k+1.96\\,\\operatorname{SE}(\\hat\\beta_k)\\} \\right].\\]\n\nWald检验、得分检验和偏似然比检验是几种相互关联的统计假设检验方法。在正则条件下，它们渐近等价，但在小样本或稀疏样本中，结果可能存在显著差异。当模型仅包含一个二元分组指示变量时，针对效应为零的得分检验，对应于通常两组比较情形下的标准对数秩检验。\n\n当时间记录的精度较低，或多个事件确实同时发生时，就会出现并列事件时间。设 \\(D_k\\) 为时刻 \\(t_k\\) 发生事件的个体集合，\\(d_k=|D_k|\\)，并定义\n\n\\[S_k=\\sum_{j\\in R(t_k)}e^{x_j^\\top\\beta}, \\qquad Q_k=\\sum_{i\\in D_k}e^{x_i^\\top\\beta}.\\]\n\nBreslow近似给出的偏似然贡献为\n\n\\[L_{B,k}= \\frac{\\exp\\left(\\sum_{i\\in D_k}x_i^\\top\\beta\\right)} {S_k^{d_k}}.\\]\n\nEfron近似则使用\n\n\\[L_{E,k}= \\frac{\\exp\\left(\\sum_{i\\in D_k}x_i^\\top\\beta\\right)} {\\prod_{r=0}^{d_k-1}\\left(S_k-\\frac{r}{d_k}Q_k\\right)}.\\]\n\n该方法逐步扣除并列发生事件的个体总风险评分的一定比例，对于因取整而出现并列的连续事件时间，通常更为准确。\n\n精确条件法将实际发生事件的个体子集与风险集中所有大小为 \\(d_k\\) 的子集进行比较。其分母为\n\n\\[\\sum_{\\substack{A\\subseteq R(t_k)\\\\|A|=d_k}} \\exp\\left(\\sum_{j\\in A}x_j^\\top\\beta\\right).\\]\n\n这种方法的计算量可能很大。此外，这里的“精确”是指对并列事件时间采用的一种特定条件处理方式，并不意味着它能对产生同时事件的所有机制都给出精确推断。\n\n系数估计值不一定是有限的。如果协变量几乎能够完美地排列风险集内事件发生的先后顺序，那么当某个系数趋于无穷时，偏似然可能持续增大。这种单调似然现象类似于逻辑回归中的分离现象。惩罚方法可以提高估计的稳定性。对于聚类观测数据，在适当条件下，三明治方差估计量可以将簇内相关性纳入考虑，但无法纠正均值风险关系的模型设定错误。"
    },
    {
      "heading": "基线风险估计与绝对风险预测",
      "text": "虽然估计 \\(\\beta\\) 无需指定 \\(h_0(t)\\)，但预测绝对风险需要估计其累积形式。一种常用方法是 Breslow估计量：\n\n\\[\\widehat H_0(t)= \\sum_{t_k\\leq t} \\frac{d_k} {\\sum_{j\\in R(t_k)}\\exp(x_j^\\top\\hat\\beta)}.\\]\n\n这是一个在观测到的事件发生时刻出现跳跃的阶梯函数。对于给定的协变量取值组合，\n\n\\[\\widehat S(t\\mid x)= \\exp\\left[-\\widehat H_0(t)\\exp(x^\\top\\hat\\beta)\\right].\\]\n\n等价地，记 \\(\\widehat S_0(t)=\\exp[-\\widehat H_0(t)]\\)，则\n\n\\[\\widehat S(t\\mid x)= \\widehat S_0(t)^{\\exp(x^\\top\\hat\\beta)}.\\]\n\n具体实现可能会采用与其并列事件时间处理方式相适应的基线估计量。此外，所报告的基线也可能以样本协变量的取值为中心，而不是以零为基准，因此，在重建预测结果时，参照协变量组合的选择十分重要。\n\n这些公式说明了为什么风险比并不能决定绝对风险差。假设某一协变量组合对应的风险率是另一组合的两倍。如果在某个指定时点，低风险率组合的生存概率为 \\(0.90\\)，那么在该模型下，高风险率组合的生存概率为 \\(0.90^2=0.81\\)。相应的事件发生概率分别为 \\(0.10\\) 和 \\(0.19\\)，因此事件发生概率之比为 \\(1.9\\)，而不是 \\(2\\)。在更晚的某个时点，如果低风险率组合的生存概率为 \\(0.50\\)，则高风险率组合的生存概率为 \\(0.25\\)，此时事件发生概率之比为 \\(1.5\\)。\n\n生存概率预测的不确定性既来自系数估计，也来自基线风险估计，还涉及两者之间的依赖关系。如果在构建置信带或置信区间时将估计的基线视为固定值，就会遗漏一部分不确定性。生存概率及相关汇总指标的预测区间可通过大样本变换方法和自助采样方法构建。\n\n中位生存时间是估计生存曲线首次达到或降至 \\(0.5\\) 以下的时点。如果曲线在观测随访期间始终未达到这一水平，中位生存时间就可能无法估计。一个相关指标是限制平均生存时间：\n\n\\[\\operatorname{RMST}(\\tau\\mid x)= \\int_0^\\tau S(t\\mid x)\\,dt,\\]\n\n它概括了截至指定时限 \\(\\tau\\) 的预期无事件生存时间，以时间单位表示，而不是相对发生率。\n\n预测性能包含多个维度。校准关注预测事件发生概率与实际观测结果的一致程度，而区分度关注模型能否按结局风险对个体正确排序。一致性指标用于评价排序表现；经删失校正的Brier评分则用于评价指定时点或某一时间区间内的概率预测误差。一个模型可能能够很好地对个体进行风险排序，却系统性地高估其事件发生的绝对概率。\n\n由于未指定基线风险函数，普通Cox模型无法为观测事件时间范围之外的风险函数形状提供有理论依据的推断。在最后一次事件发生后，将估计的累积风险保持不变只是一种计算约定，并不意味着未来的风险率为零。长期外推需要额外假设，例如采用参数化的尾部模型。"
    },
    {
      "heading": "模型诊断与比例风险假设的偏离",
      "text": "模型检验需要区分几个问题：协变量效应是否随时间保持不变，连续预测变量的函数形式是否恰当，异常观测是否主导了估计，以及预测概率是否与数据相符。通过某一类诊断，并不意味着其他方面也都满足要求。\n\n舍恩费尔德残差是评估比例风险假设的核心工具。在没有并列事件的事件时刻，残差向量为\n\n\\[r_k=x_{i_k}-\\bar x(\\hat\\beta,t_k).\\]\n\n在设定正确的比例风险模型下，这些针对各次事件的差异不应呈现系统性的时间趋势。经尺度调整的残差可用于绘图，以及针对变换后事件时间的检验。Grambsch和Therneau于1994年提出的方法，将这类诊断与时变系数备择模型联系起来。出现趋势可能表明，估计的效应在随访期间逐渐增强、减弱或发生反转。\n\n另一种诊断方法依据的是\n\n\\[\\log[-\\log S(t\\mid x)] = \\log H_0(t)+x^\\top\\beta.\\]\n\n对于仅在固定协变量上存在差异的组，在同一时间尺度下绘制生存概率的负对数再取对数的曲线，其形状应当相似，且垂直间距近似恒定。当数据稀疏或协变量严重不均衡时，这类图可能难以解读。总体生存曲线若明显交叉，就与具有非零恒定效应的简单两组比例风险模型不相容；但带有随机噪声的经验曲线即使在底层模型合理时也可能交叉。\n\n鞅残差用于比较观测到的事件累积量与模型拟合的事件累积量。在基本的右删失情形下，\n\n\\[M_i= \\delta_i-\\widehat H_0(Y_i)\\exp(x_i^\\top\\hat\\beta).\\]\n\n鞅残差可以揭示协变量的非线性关系，但其分布高度不对称。偏差残差将其变换到更为对称的尺度上，以识别事件发生时间比预期过早或过晚的观测。影响度量用于考察单条记录或单个聚类对系数的影响。具有较大影响的观测可能存在错误，可能较为特殊，也可能只是包含了大量信息；仅凭诊断本身无法区分这些情况。\n\n函数形式的评估与比例风险假设的评估是两回事。某个预测变量与对数风险率之间的关系可能是弯曲的，但不随时间改变。将直线项替换为样条项，可以解决这一问题，而无须引入时变系数。反过来，某个预测变量在每一时刻的效应都可能是线性的，但其斜率随时间变化。协变量之间的交互作用则涉及第三个问题：一个预测变量的关联是否取决于另一个预测变量。\n\n事件数较少时，检验的灵敏度有限；而在规模极大的数据集中，检验又可能检出微小且无实际意义的偏离。因此，图形模式、不确定性以及科学问题所关注的时间范围都会影响结果的解读。此外，当风险不成比例时，拟合得到的恒定Cox系数通常会成为对变化效应的加权概括。其权重取决于事件的发生情况、风险集的构成以及删失情况。因此，即使不同研究具有相同的底层时变关系，只要随访或删失模式不同，也可能估计出不同的恒定风险比。"
    },
    {
      "heading": "时变协变量、分层与相依事件",
      "text": "扩展Cox模型允许协变量随时间变化：\n\n\\[h_i(t\\mid\\mathcal H_i(t^-)) = h_0(t)\\exp\\{x_i(t)^\\top\\beta\\},\\]\n\n其中，\\(\\mathcal H_i(t^-)\\) 表示在 \\(t\\) 时刻之前紧邻该时刻可获得的信息。数据记录通常按起止时间区间组织，每个区间内的协变量保持不变。在每个事件发生时刻，风险集的计算都使用各个体当时的协变量值。仅仅将一条记录拆分成多个区间，并不会增加相互独立的个体数量。\n\n时变协变量不同于时变系数。前者是 \\(x_i(t)\\) 发生变化，而 \\(\\beta\\) 保持固定；后者则是关联随时间变化，例如：\n\n\\[h_i(t)=h_0(t) \\exp\\{\\beta_1x_i+\\beta_2x_i g(t)\\}.\\]\n\n当 \\(x_i\\) 为二元变量时，相应的风险比为 \\(\\exp\\{\\beta_1+\\beta_2g(t)\\}\\)。\\(g(t)\\) 可以取表示随访后期的指示函数、适当定义域内的时间对数，或样条基函数。这些模型以明确随时间变化的关联，取代单一且恒定的效应。\n\n正确编码时间信息至关重要。如果暴露在随访开始后才发生，却从基线起就将该个体归入“曾暴露”类别，便使用了未来信息。这样一来，个体为达到暴露状态而必须保持存活或未发生事件的那段时间，就可能被误归为暴露时间，从而产生不死时间偏差。在暴露实际发生时更新暴露状态，可以解决这一特定的编码问题，但这本身并不能消除混杂。\n\n分层Cox模型的形式为：\n\n\\[h_i(t)=h_{0,s(i)}(t)\\exp(x_i^\\top\\beta),\\]\n\n其中，\\(s(i)\\) 表示所属的层。每一层都有自己的基线风险函数，但各层共享回归系数。偏似然是各层内部贡献项的乘积。对于不同类别间基线风险不成比例的分类变量，可以采用分层处理，但模型不会估计该分层变量的共同风险比。如果某一层没有观测到事件，该层就不会为系数的似然提供事件贡献项。\n\n脆弱性模型则引入潜在异质性，通常通过同一簇成员共享的乘性随机效应来实现。这类模型可以表示相关个体之间的相依性，或同一个体内重复事件之间的相依性。其系数通常应解释为给定脆弱性条件下的效应；将脆弱性积分消去后，相应的总体平均风险比不一定仍满足比例风险假设。\n\n对于复发事件，Andersen–Gill模型在整个随访时间尺度上对计数过程建模，而Prentice–Williams–Peterson模型则以先前事件的发生情况为条件构建风险集，并且可以使用总时间尺度或事件间隔时间尺度。这一区别会改变哪些个体有资格进入每次事件的风险集，以及系数所描述的含义。稳健标准误可以处理某些相依结构，但事件史模型仍须反映研究所要进行的比较。"
    },
    {
      "heading": "竞争风险、选择与因果解释",
      "text": "竞争风险是指一种事件，其发生会使研究关注的事件无法在同一初始状态下发生。例如，死于某一原因，就不可能随后再首次死于另一原因。对于仍未发生任何类型事件的个体，原因别Cox模型将原因 \\(k\\) 的风险设定为\n\n\\[h_k(t\\mid x)=h_{0k}(t)\\exp(x^\\top\\beta_k)\\]\n\n在计算时，个体一旦发生其他类型的事件，就会从风险集中移除。\n\n这种原因别风险是竞争事件过程的可观测特征。估计它并不要求不同原因所对应的假想潜在失效时间相互独立。不过，若要将结果解释为在消除竞争原因的假想世界中的生存情况，就需要额外的假设，通常不能仅凭原因别模型作出这种解释。\n\n截至时间 \\(t\\) 发生原因 \\(k\\) 所对应事件的概率，就是该原因的累积发生率：\n\n\\[F_k(t\\mid x)= \\int_0^t S(u-\\mid x)\\,h_k(u\\mid x)\\,du,\\]\n\n其中，\\(S\\) 表示尚未发生任何类型事件的生存概率。当风险函数连续时，\n\n\\[S(t\\mid x)= \\exp\\left[-\\sum_m H_m(t\\mid x)\\right].\\]\n\n因此，累积发生率取决于所有原因别风险。某个协变量可能会提高某一原因的风险，但如果它对竞争事件的影响很强，那么它与该原因累积发生率的关联可能较弱、完全不存在，甚至方向相反。1999年提出的Fine–Gray模型采用经过调整的风险集构造方法，对与累积发生率直接相关的亚分布风险进行建模。其系数的解释不同于原因别Cox模型的系数。\n\n模型拟合得到的风险比也不天然就是因果效应。在观察性数据中，混杂、测量误差和选择偏差可能产生与干预无关的关联。即使在随机对照试验中，较晚时点的瞬时风险比较也是以随机分组后的存活状态为条件的。由于治疗影响了哪些人仍未发生事件，存活人群之间的预后特征构成可能有所不同。\n\n风险比通常不具有可折叠性：即使某个协变量不是混杂因素，经该协变量调整后的风险比也不一定等于未经调整的风险比。因此，条件化引起的变化，并不必然意味着存在混杂。即使各个同质亚组内部都满足比例风险假设，个体层面的异质性也可能使边际风险比随时间变化。\n\n因此，因果推断需要明确定义干预和目标估计量，并满足可交换性、正值性和一致性等假设。当时变混杂因素受到先前暴露的影响时，常规的含时间依赖协变量的Cox调整方法可能无法估计所关注的因果效应。加权方法及其他纵向因果方法各有其适用的假设和估计目标；它们并不能把每一个风险比都转化为因果量。生存概率对比和限制平均生存时间差所回答的问题，往往不同于条件风险比所回答的问题。"
    },
    {
      "heading": "历史发展与当代应用",
      "text": "Cox在1972年发表于《皇家统计学会会刊B辑》的论文《回归模型与生命表》中提出了这一模型。此前的生存分析方法包括生命表、1958年提出的Kaplan–Meier估计量、参数化寿命分布，以及基于秩的组间比较方法。Cox的模型在不指定基线风险函数的同时，为多个协变量提供了灵活的回归框架。他于1975年发表的论文《偏似然》将这一估计原理置于更广泛的统计学背景之中。\n\n此后的发展既改进了实际应用方法，也奠定了数学基础。Breslow在1974年的研究中发展了删失生存数据的协方差分析方法；Efron在1977年的研究中考察了偏似然的效率，并提出了如今广泛使用的并列事件时间近似方法。计数过程与鞅方法使延迟入组、时变协变量以及更一般的事件史能够在统一框架下处理。Andersen和Gill于1982年提出的表述，对渐近理论和复发事件应用尤具影响。\n\n在计数过程表示中，\\(N_i(t)\\)记录观测到的事件数，\\(Y_i(t)\\)表示个体\\(i\\)是否处于风险中。Cox模型的强度为\n\n\\[\\lambda_i(t)= Y_i(t)h_0(t)\\exp\\{x_i(t)^\\top\\beta\\}.\\]\n\n在该模型下，从\\(N_i(t)\\)中减去积分强度，得到的过程是关于相应观测历史滤过的鞅。这一表示解释了为何当前风险集中个体的协变量会进入得分函数，并为方差计算和残差过程提供了系统的理论基础。\n\n该模型已成为研究死亡和疾病复发的标准工具，但所研究的事件不一定是不良事件，也不一定是生物学事件。经济学中的持续时间分析使用相关的风险函数设定，研究退出失业状态或开始新工作等状态转变。可靠性分析关注部件失效。信用风险研究可以对违约时间建模，同时也需注意，提前还款或账户关闭可能需要采用竞争事件模型。在任何应用中，事件的定义以及研究单位处于风险中的状态，共同决定了风险函数的含义。\n\n高维数据推动了惩罚Cox回归的发展。给定惩罚项\\(P(\\beta)\\)，估计时可以最小化\n\n\\[-\\ell_p(\\beta)+\\lambda P(\\beta).\\]\n\n岭回归惩罚使系数平滑收缩；套索回归惩罚则可以将系数精确地压缩为零。例如，当分子测量指标的数量相对于观测到的事件数较大时，就会使用这些方法。交叉验证可用于选择调节参数，但必须适当分离特征选择、参数调节和性能评估，以免得到过于乐观的估计。\n\n当代实现也使用非线性风险评分函数来替代\\(x^\\top\\beta\\)，其中包括基于人工神经网络的模型。如果所得评分仅依赖于固定协变量，并以乘法形式作用于共同的基线风险函数，那么比例风险约束仍然成立。协变量函数更加灵活，本身并不会产生随时间变化的风险比，也不能解决信息性删失问题，或提供向观测随访期之外外推的模型。"
    }
  ],
  "links": [
    "epidemiology",
    "econometrics",
    "exponential-function",
    "exponential-distribution",
    "statistical-interaction",
    "likelihood-function",
    "hessian-matrix",
    "newtons-method",
    "numerical-stability",
    "covariance-matrix",
    "confidence-interval",
    "statistical-hypothesis-testing",
    "logistic-regression",
    "bootstrap-sampling",
    "calibration",
    "immortal-time-bias",
    "confounding",
    "selection-bias",
    "randomized-controlled-trial",
    "causal-inference",
    "life-table",
    "kaplan-meier-estimator",
    "martingale",
    "ridge-regression",
    "lasso-regression",
    "cross-validation",
    "artificial-neural-network"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}