原文链接：http://tecdat.cn/?p=6432

危险率函数

让我们模拟R中的一些数据：

< - 10000\nh < - 0.5\nt < - -log（runif（n））/ h"}"> n < - 10000 h < - 0.5 t < - -log（runif（n））/ h

该代码模拟了危险函数的存活时间，即常数。

< - 1 *（t <5）\n时间< - t\nobstime [obstime> = 5] < - 5"}"> 事件< - 1 *（t <5） 时间< - t obstime [obstime> = 5] < - 5

现在让我们使用R中的生存包绘制估计的生存函数：

< - survfit（Surv（obstime，event）~1）"}"> survfit < - survfit（Surv（obstime，event）~1）

Kaplan-Meier

95％置信区间限制非常接近此处的估计线，因为我们已经模拟了具有大样本量的数据原由网集。

累积危险率函数

为了确定危险函数是否在变化，我们可以绘制累积危险函数，

plot（survfit，fun =“cumhaz”）

危险变化

有时危险函数不会是恒定的，这将导致累积危险函数的梯度/斜率随时间变化。

我们现在将再次模拟生存时间 ：

< - 1 *（runif（n）<0.5）\nh < - 0.5 + highrisk * 1.5\nt < - -log（runif（n））/ h\n \nobstime [obstime> = 5] < - 5"}"> highrisk < - 1 *（runif（n）<原由网;0.5） h < - 0.5 + highrisk * 1.5 t < - -log（runif（n））/ h obstime [obstime> = 5] < - 5

我们再次绘制累积危险函数：

累积危险图，其中样本由50％低风险和50％高风险对象组成

该图的自然解释是受试者经历的危险随着时间的推移而减少，因为累积危险函数的梯度/斜率随时间降低。

改变风险比

在我们比较两组生存率的研究中可能出现同样的问题，例如在比较两种治疗方案的随机试验中。这种比较通常通过估算两组之间的风险比来概括，假设两组的危害比率随着时间的推移是恒定的，使用Cox的比例风险模型。

< - 1 *（runif（n）<0.5）\n治疗< - 1 *（runif（n）<0.5）\n t < - -log（runif（n））/ h\n事件< - 1 *（t <5）\n时间< - t\nobstime [obstime> = 5] < - 5"}"> highrisk < - 1 *（runif（n）&lwww.58yuanyou.comt;0.5） 治疗< - 1 *（runif（n）<0.5） t < - -log（runif（n））/ h 事件< - 1 *（t <www.58yuanyou.com;5） 时间< - t obstime [obstime> = 5] <AZbLnbSbxe; - 5

现在让我们分别按治疗组绘制累积危险函数：