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 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
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 为累积分布函数,则
存在右删失时,个体 的可用信息通常记为
其中, 为删失时间, 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
为观测到的各个不同的事件发生时间。在每个 处,定义:
- :在 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;
- :在 时观测到的事件数。
Kaplan–Meier估计量为
在首个事件发生之前,空乘积等于 。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 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 、 和 各发生一次故障;
- 一台设备在时刻 被删失;
- 另一台设备在时刻 被删失。
计算如下:
| 事件时点 | 风险集大小 | 事件数 | 事件发生后的估计生存概率 |
|---|---|---|---|
| 2 | 5 | 1 | |
| 4 | 3 | 1 | |
| 6 | 2 | 1 |
由于时刻 有一台设备被删失,时刻 紧前的风险集中只剩三台设备。在时刻 ,估计生存概率降至约 。
如果没有任何观测被删失,乘积中的因子会逐项约去,得到
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 与 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 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 ,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:
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 时。
一个简单的正态近似置信区间为
其中, 为标准正态分布的分位数。这类区间可能超出 ,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:
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
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 的限制平均生存时间为
用 替代 ,即可将这一指标估计为截至 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 ,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 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。