最近有同学问师兄，「最近我要做生存分析，可是不太会，也不太懂，师兄能不能教教我？」好吧，今天开一贴，讲讲这个。
有同样问题的同学可以一起来看看，毕竟在临床科研上，这方面知识还是很受用的。有什么想跟师兄讨论的，可以加师兄微信号：shixiongcoming。加我时，注意注明申请理由，如果申请理由是你名字的话，就会被师兄忽略掉。准备好了吗？让我们开始征程。
一、生存分析基本概念
1、事件（Event）
指研究中规定的生存研究的终点，在研究开始之前就已经制定好。根据研究性质的不同，事件可以是患者的死亡、疾病的复发、仪器的故障，也可以是下岗工人的再就业等等。
2、生存时间（Survival time）
指从某一起点到事件发生所经过的时间。生存是一个广义的概念，不仅仅指医学中的存活，也可以是机器出故障前的正常运行时间，或者下岗工人再就业前的待业时间等等。有的时候甚至不是通用意义上的时间，比如汽车在出故障前的行驶里程，也可以作为生存时间来考虑。
3、删失（Sensoring）
指由于所关心的事件没有被观测到或者无法观测到，以至于生存时间无法记录的情况。常由两种情况导致：（1）失访；（2）在研究终止时，所关心的事件还未发生。
4、生存函数（Survival distribution function）
又叫累积生存率，表达式为 S（t）= P（T>t）， 其中 T 为生存时间，该函数的意义是生存时间大于时间点 t 的概率。t = 0 时 S（t）= 1，随着 t 的增加 S（t）递减（严格的说是不增），1-S（t）为累积分布函数，表示生存时间 T 不超过 t 的概率。
二、生存分析的方法
1、生存分析的主要目的是估计生存函数，常用的方法有 Kaplan-Meier 法和寿命表法。对于分组数据，在不考虑其他混杂因素的情况下，可以用这两种方法对生存函数进行组间比较。
2、如果考虑其他影响生存时间分布的因素，可以使用 Cox 回归模型（也叫比例风险模型），利用数学模型拟合生存分布与影响因子之间的关系，评价影响因子对生存函数分布的影响程度。这里的前提是影响因素的作用不随时间改变，如果不满足这个条件，则应使用含有时间依存协变量的 Cox 回归模型。
三、举例说明
下面用一个例子来说明 SPSS 中 Cox 回归模型的操作方法。
例题：研究胰腺癌术中放疗对患者生存时间的影响
收集了下面所示的数据：
操作步骤：
SPSS 变量视图：
菜单选择：
点击进入 Cox 主对话框，如下，将 time 选入「时间」框，将代表删失的 censor 变量选入「状态」框，其余分析变量选入「协变量」框，其余默认就行。
点击「状态」框下方的「定义事件」，将事件发生的标志设为值 0，即 0 代表事件发生。
在主对话框中点击「分类」按钮，进入如下的对话框，将所有分类变量选入右边框中。
在主对话框中点击「绘图」按钮，进入如下的对话框，选择绘图的类型，这里只选择「生存函数」。由于我们关心的主要变量是 trt（是否放疗），所以将 trt 选入「单线」框中，绘制生存曲线。
在主对话框中点击「选项」按钮，进入如下的对话框，设置如下，输出 RR 的 95% 置信区间。回到主界面，点击「确定」输出结果。
结果输出：
这是案例处理摘要，有一个删失数据。
这是分类变量的编码方式。
这是对拟合模型的检验，原假设是「所有影响因素的偏回归系数均为 0」，这里可以看出 P = 0.032<0.05 拒绝原假设，认为有偏回归系数不为零的因素，值得进一步分析。
这是多元回归结果，第二列 B 为偏回归系数，最后三列为 OR 值及其置信区间。由 P 值可以看出，在 0.5 的显著水平下，只有 trt 有统计学差异，OR 为 2.265。
这是协变量的平均值。
这是总体的生存函数，即累积生存率函数。
这是在控制了其他变量后，有无放疗组的生存函数对比，可以看出，术中放疗患者的生存情况优于不放疗的患者。