
SPSS生存函数-Kaplan-Meier
一、Kaplan-Meier生存分析(分析-生存函数-Kaplan-Meier)
1、概念:在多数情况下,您都会希望考察两个事件之间的时间分布,比如雇用时长(员工从雇用到离开公司的时间)。但是,这种数据通常包含一些已审查的个案。已审查的个案是没有记录其第二次事件的个案(例如,在调查结束后仍然为公司工作的员工)。Kaplan-Meier过程是已审查的个案出现时估计时间事件模型的一种方法。Kaplan-Meier模型的依据是估计事件发生的每个时间点的条件概率,并取这些概率的乘积限估计每个时间点的生存率。
2、示例。新的AIDS疗法在延长寿命方面是否具有治疗优势?您可以对两组AIDS患者进行研究,一组接受传统疗法,另一组接受实验性疗法。从数据构造Kaplan-Meier模型将允许您比较两组的整体生存率,以确定实验性疗法是否是传统疗法的改进。还可以用图来表示生存或风险函数并对其进行直观比较,以获得更详细的信息。
3、统计量。生存表,包括时间、状态、累积生存和标准误、累积事件和剩余数;以及均值和中位数生存时间,带有标准误和95%置信区间。图:生存、风险、对数生存和1减生存。
4、数据。时间变量应为连续变量,状态变量可以是分类变量或连续变量,因子和层次变量应为分类变量。
5、假设。所关心事件的概率应只取决于初始事件之后的时间(假设绝对时间下的概率不变)。即,从不同时间开始研究的个案(比如,从不同时间开始接受治疗的患者)应有相似的行为。已审查的个案和未审查的个案之间也不应存在系统性差别。例如,如果许多已审查的个案都是情况更为严重的患者,则得到的结果可能会存在偏差。
6、相关过程。Kaplan-Meier过程使用的计算寿命表的方法估计每个事件发生时的生存或风险函数。“寿命表”过程使用保险精算方法进行生存分析,该方法依赖于将观察期划分为较小的时间区间,可能对处理大样本有用。如果您怀疑变量与要控制的生存时间或变量(协变量)相关,则应使用“Cox回归”过程。如果同一个个案中协变量在不同的时间点可以具有不同的值,则应使用带有“依时协变量”的“Cox回归”。
二、比较因子水平(分析-生存函数-Kaplan-Meie-比较因子)
您可以请求统计量以检验因子不同水平的生存分布的等同性。可用统计量包括对数秩、Breslow和Tarone-Ware。选择一个选项指定要进行的比较:跨层整体检验、分层检验、跨层成对检验或分层成对检验。◎对数秩.比较生存分布的等同性的检验。在此检验中,所有时间点均赋予相同的权重。◎Breslow.比较生存分布的等同性的检验。在每个时间点用带风险的个案数对时间点加权。◎Tarone-Ware.比较生存分布的等同性的检验。在每个时间点用历险的个案数的平方根对时间点加权。◎在层上比较所有因子水平.在单次检验中比较所有因子水平,以检验生存曲线的相等性。◎在层上成对比较因子水平.比较每一个相异的因子水平对。不提供成对趋势检验。◎对于每层.对每层的所有因子水平的相等性执行一次单独的检验。如果您没有分层变量,则不执行检验。◎为每层成对比较因子水平.比较每一层的每一个相异的因子水平对。不提供成对趋势检验。如果您没有分层变量,则不执行检验。
因子级别的线性趋势。允许您检验跨因子级别的线性趋势。此选项仅可用于因子水平的整体(而不是成对)比较。
三、保存(分析-生存函数-Kaplan-Meie-保存)
您可以将Kaplan-Meier表的信息保存为新变量,新变量可在以后的分析中用于检验假设或检查假设。您可以将生存函数、生存函数的标准误、危险函数和累积事件保存为新变量。◎生存.累积生存概率估计。默认变量名为前缀sur_加上顺序号。例如,如果已存在sur_1,Kaplan-Meier就分配变量名sur_2。◎生存函数的标准误.累积生存估计的标准误。默认变量名为前缀se_加上顺序号。例如,如果已存在se_1,Kaplan-Meier就分配变量名se_2。◎危险函数.累积风险函数估计。默认变量名为前缀haz_加上顺序号。例如,如果已存在haz_1,Kaplan-Meier就分配变量名haz_2。◎累积事件.当个案按其生存时间和状态代码进行排序时的事件累积频率。默认变量名为前缀cum_加上顺序号。例如,如果已存在cum_1,Kaplan-Meier就分配变量名cum_2
四、选项(分析-生存函数-Kaplan-Meie-选项)
1、统计量。您可以选择为计算的生存函数显示统计量,包括生存分析表、均值和中位数生存时间以及四分位数。如果包含因子变量,则会为每组生成单独的统计量。
通过图可以直观地检查生存函数、1减去生存函数、危险函数和取生存函数的对数。如果包含因子变量,则会为每组绘制函数图。◎生存.在线性刻度上显示累积生存函数。◎1减去生存函数.以线性尺度绘制1减生存函数。◎危险函数.在线性刻度上显示累积风险函数。◎取生存函数的对数.在对数刻度上显示累积生存函数。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11