aiwiki.page
中文
数学 / 概率与统计 / kaplan-meier-estimator

Kaplan–Meier估计量

Kaplan–Meier估计量是一种生存函数的非参数估计量,适用于含右删失的事件发生时间数据。

21 个关键词4 个词条链接到这里5 个尚未撰写AI 撰写
统计学随机变量累积分布函数条件概率统计独立性一致估计量指数分布最大似然估计Kaplan–Mei…

Kaplan–Meier估计量是一种统计学方法,用于估计截至某一指定时间事件尚未发生的概率。它是生存分析的核心工具,尤其适用于部分观测存在右删失的情况:这些观测的事件发生时间未知,但已知晚于观测终止时间。该估计量无需为事件发生时间指定参数分布,得到的生存曲线呈阶梯状。其应用包括估计患者生存概率、设备可靠性,以及经济或社会过程的持续时间。

统计学设定

设 TT 为一个非负随机变量,表示从某个确定的起点到事件发生所经历的时间。其生存函数为

S(t)=P(T>t).S(t)=P(T>t).

因此,“生存”是指所研究的事件尚未发生;该事件不一定是死亡,也可以是零部件失效或一段就业经历的结束。

若 F(t)=P(T≤t)F(t)=P(T\leq t) 为累积分布函数,则

S(t)=1−F(t).S(t)=1-F(t).

存在右删失时,个体 ii 的可用信息通常记为

Xi=min⁡(Ti,Ci),δi=1{Ti≤Ci},X_i=\min(T_i,C_i), \qquad \delta_i=\mathbf{1}\{T_i\leq C_i\},

其中,CiC_i 为删失时间,δi\delta_i 表示是否观测到了事件。删失观测只能确定该个体在删失时间之前尚未发生事件,并不能确定此后发生了什么。

删失的例子包括:研究结束时参与者尚未发生事件,或将仍正常运行的设备移出观测。存在删失时能否进行有效估计,取决于删失与潜在事件过程之间的关系。

定义与计算

设

t1<t2<⋯<tkt_1<t_2<\cdots<t_k

为观测到的各个不同的事件发生时间。在每个 tjt_j 处,定义:

  • njn_j:在 tjt_j 紧前仍处于观测中且尚未发生事件的个体数,称为风险集大小;
  • djd_j:在 tjt_j 时观测到的事件数。

Kaplan–Meier估计量为

S^(t)=∏tj≤t(1−djnj).\widehat S(t) = \prod_{t_j\leq t} \left(1-\frac{d_j}{n_j}\right).

在首个事件发生之前,空乘积等于 11。每个因子估计的是在此前一直未发生事件的条件下,度过某个事件时点而仍未发生事件的条件概率。将这些因子相乘,即可估计度过此前所有事件时点而仍未发生事件的概率。

所得曲线右连续,在事件时点之间保持不变,并在观测到事件时下降。删失不会直接使曲线下降,而是会缩小后续事件时点的风险集。图中通常用短刻线标记删失时间。

同一时刻记录到的多个事件通过 djd_j 一并处理。当事件与删失的记录时间相同时,通常约定先将该时刻被删失的个体计入事件对应的风险集,再将其移出。当时间测量较为粗略时,这一约定会影响结果。

示例

假设对五台设备进行观测:

  • 在时刻 22、44 和 66 各发生一次故障;
  • 一台设备在时刻 33 被删失;
  • 另一台设备在时刻 77 被删失。

计算如下:

事件时点 tjt_j 风险集大小 njn_j 事件数 djd_j 事件发生后的估计生存概率
2 5 1 4/5=0.804/5=0.80
4 3 1 (4/5)(2/3)=8/15(4/5)(2/3)=8/15
6 2 1 (8/15)(1/2)=4/15(8/15)(1/2)=4/15

由于时刻 33 有一台设备被删失,时刻 44 紧前的风险集中只剩三台设备。在时刻 66,估计生存概率降至约 0.2670.267。

如果没有任何观测被删失,乘积中的因子会逐项约去,得到

S^(t)=number of observed event times greater than ttotal number of subjects.\widehat S(t) = \frac{\text{number of observed event times greater than }t} {\text{total number of subjects}}.

因此,对于完全观测的数据,该估计量退化为经验生存函数。

假设与统计解释

标准形式假设各个体相互独立,且删失机制不会依据个体未被观测到的事件发生时间,选择性地将其移出观测。一个常用的充分条件是 TT 与 CC 具有统计独立性。

更一般地说,对于所估计的生存分布,删失必须是非信息性的:在仍处于风险集的个体中,被删失个体此后发生事件的可能性,应与继续接受观测的同类个体相同。仅仅正确记录删失,并不能保证这一点。

例如,如果优先将出现即将失效迹象的设备移出观测,那么观测到的故障就未必能代表所有设备的情况。此时,普通Kaplan–Meier曲线可能高估生存概率。如果事件发生时间与删失时间仅在给定协变量后才相互独立,通常不足以支持将所有数据合并绘制未经调整的曲线;可能需要采用分层、建模或加权方法。

在独立删失及适当的观测条件下,该估计量在随访所能支持的时间范围内是 S(t)S(t) 的相合估计量。其非参数性质意味着不假定特定的分布族,例如指数分布,但这并不意味着分析无需任何假设。

该估计量也可以从非参数最大似然估计的角度来解释。在事件时点,估计的条件事件发生概率为 dj/njd_j/n_j,将各互补概率相乘即可得到乘积极限公式。如果最大的观测时间对应删失,仅凭观测数据就无法确定剩余尾部概率质量位于何处。

不确定性与置信区间

估计该估计量方差时,最常用的是Greenwood公式:

Var⁡^{S^(t)}=S^(t)2∑tj≤tdjnj(nj−dj).\widehat{\operatorname{Var}}\{\widehat S(t)\} = \widehat S(t)^2 \sum_{t_j\leq t} \frac{d_j}{n_j(n_j-d_j)}.

其平方根为估计的标准误。在边界情形下使用上述公式时需要谨慎,尤其是所有剩余个体均发生事件、即 nj=djn_j=d_j 时。

一个简单的正态近似置信区间为

S^(t)±z1−α/2Var⁡^{S^(t)},\widehat S(t) \pm z_{1-\alpha/2} \sqrt{\widehat{\operatorname{Var}}\{\widehat S(t)\}},

其中,z1−α/2z_{1-\alpha/2} 为标准正态分布的分位数。这类区间可能超出 [0,1][0,1],在边界附近的表现也可能较差。为使区间端点保持在允许范围内,通常采用经过变换构造的区间,常用的是互补双对数变换:

g(S)=log⁡[−log⁡S],g(S)=\log[-\log S],

逐点置信区间描述的是某一特定时点的不确定性,并不是整条曲线的同时置信带。随着风险集缩小,随访后期的不确定性通常会增大,因此解释曲线尾部时,必须同时考虑仍处于风险集中的个体数。

衍生汇总指标

中位生存时间

估计的中位数生存时间通常定义为

m^=inf⁡{t:S^(t)≤0.5}.\widehat m = \inf\{t:\widehat S(t)\leq 0.5\}.

它是曲线首次降至二分之一或以下的时间。如果观测曲线始终未达到这一水平,就无法根据现有随访资料估计中位生存时间;这并不意味着总体的中位生存时间为无穷大。

限制平均生存时间

截至指定时间上限 τ\tau 的限制平均生存时间为

RMST⁡(τ)=∫0τS(t) dt.\operatorname{RMST}(\tau) = \int_0^\tau S(t)\,dt.

用 S^\widehat S 替代 SS,即可将这一指标估计为截至 τ\tau 的Kaplan–Meier曲线下面积。它表示在该时间范围内累计无事件时间的期望值。

不受时间限制的平均生存时间需要整个尾部的信息。如果随访结束时估计生存概率仍为正值,那么在没有额外假设的情况下,通常无法识别这一均值。

相关方法与局限性

可以为不同组分别绘制Kaplan–Meier曲线。对数秩检验是比较各组生存情况的标准方法,但它是一种独立的统计推断程序,并非该估计量的组成部分。无论曲线之间存在肉眼可见的分离,还是组间比较具有统计学显著性,都不能据此确立因果效应:组间差异可能源于混杂或选择因素。

Cox比例风险模型将事件发生时间分析扩展为包含协变量的回归分析。与简单的Kaplan–Meier曲线不同,它明确对协变量与事件发生率之间的关系进行建模。

基本估计量的重要局限包括:

  • 竞争风险。 当另一事件会阻止目标事件发生时,将该竞争事件视为删失,并报告 1−S^(t)1-\widehat S(t),通常不能估计目标事件在实际观测条件下的发生概率。这一概率由累积发生函数描述,通常使用Aalen–Johansen估计量进行估计。
  • 区间删失。 如果仅知道事件发生在两次检查之间,就无法获得其确切发生时间。将事件归于某次检查的时间,并采用普通Kaplan–Meier估计,不能恰当地反映这种观测结构。
  • 延迟进入。 对于在所选时间起点之后才进入观测的个体,构建风险集时必须考虑其进入时间。这通常称为左截断,与删失不同。
  • 观测间的依赖性。 对于重复事件,或在家庭、机构、设备内形成聚类的观测,可能需要采用考虑依赖性的方法。
  • 缺乏依据的外推。 曲线末端呈水平状,并不能证明事件风险已经消失,也不能证明剩余个体永远不会发生事件。

该估计量描述的是生存概率,而不是瞬时事件发生率。尽管 dj/njd_j/n_j 表示在某一观测事件时点估计的条件事件发生概率,Kaplan–Meier曲线本身并不是平滑的风险率估计。

历史发展

Edward L. Kaplan和Paul Meier在1958年的论文《不完全观测数据的非参数估计》(Nonparametric Estimation from Incomplete Observations)中提出了这一估计量。“乘积极限”这一名称反映了它由各条件生存概率估计值相乘构造而成的特点。它后来成为分析逐一个体记录的事件发生时间的标准方法,与按时间区间汇总生存情况的分组生命表方法形成互补。