生存分析SPSS.ppt
合集下载
【IBM-SPSS课件】生存分析与Cox模型
生存分析的方法
▪ ①參數方法，數據必須滿足相應的分佈。常用的參數模型有： 指數分佈模型、Weibull分佈模型、對數正態分佈模型、對數 Logistic分佈模型、gamma分佈模型。
▪ ②半參數方法，是目前非常流行的生存分析方法，相對而言， 半參數方法比參數方法靈活，比非參數方法更容易解釋分析結 果。常用的半參數模型為Cox模型。
▪ Kaplan-Meier 法—比較因數
Hale Waihona Puke ▪ Kaplan-Meier 法—保存
▪ Kaplan-Meier 法—選項
模組解讀 --- Cox回歸
▪ Cox回歸—定義事件
▪ Cox回歸—分類
▪ Cox回歸—繪圖
▪ Cox回歸—保存
▪ Cox回歸—選項
▪ Cox回歸—Bootstrap
生存時間具有：分佈類型不確定，一般表現為 正偏態分佈； 數據中常含有刪失數據。
（2）基本的概念②
▪ 完全數據：指從事件開始到事件結束，觀察對 象一直都處在觀察範圍內，我們得到了事件從 開始到結束的準確時間。
▪ 刪失數據：指在研究分析過程中由於某些原因 ，未能得到所研究個體的準確時間，這個數據 就是刪失數據，又稱為不完全數據。產生刪失 數據的原因有很多：在隨訪研究中大多是由於 失訪所造成；在動物實驗研究中大多由於觀察 時間已到，不能繼續下去所造成。
模組解讀 ---時間依存變數Cox 模型
模組解讀 ---時間依存變數Cox 模型
實例講解
▪ 例19.1：某醫院對114例男性胃癌患者術後生存 情況進行11年隨訪，據此計算男性胃癌患者術 後各年的生存率。具體數據見19-1.sav資料庫。
實例講解
▪ 例19.2：某醫院對44例某病患者隨機化分組後 ，一組為對照組，一組為實驗組，實驗組採用 某種干預措施，對照組不採用任何干預措施， 觀察患者生存時間。
SPSS生存分析过程
SPSS Survival(生存分析)菜单SPSS Survival菜单包括Life Tables过程、Kaplan-Meier过程、Cox Regression过程、Cox w/Time-Dep Cov过程。
这里只介绍Life Tables过程和Kaplan-Meier过程。
Life Tables过程Life Tables过程用于：1、估计某生存时间的生存率。
2、绘制各种曲线如生存函数、风险函数曲线等。
3、对某一研究因素不同水平的生存时间分布进行比较，控制另一因素后对研究因素不同水平的生存时间分布进行比较，包括从总体上比较和不同水平之间进行两两比较。
一、建立数据文件定义两个列变量：时间变量：取名“time”，label标上“survival time(week)”。
生存状态变量：取名“status”，并赋值：0=“删失”，1=“死亡”。
二、操作过程从菜单选择1、Analyze==>Survival ==>Life Tables2、Time框：选入time3、Display Time Intervals框：在by前面的框内填入生存时间上限，本例填入20（此区间必须包括生存时间的最大值）；在by后面的框内填入生存时间的组距，本例填入5，以保证结果列出“15-”的组段。
4、Status框：选入status；击define events钮,在single value框右边的空格中输入15、单击Option按钮，弹出对话框：Life Table(s) 输出寿命表，系统默认Plots: 选Survival（累积生存函数曲线）击Continue6、单击OK钮附：界面说明图1 寿命表主对话框【Time】框选入生存时间变量。
【Display Time Intervals】框欲输出生存时间范围及组距。
在by前面的框内填入生存时间上限，本例填入200（此区间必须包括生存时间的最大值）；在by后面的框内填入生存时间的组距，本例填入20，以保证结果列出“100-”的组段。
《生存分析SPSS单因素和多因素对生存率的可能分析》PPT模板课件
1
51 48 1 0 0 1 0 120
0
52 72 0 1 0 1 0 24
1
53 42 0 0 0 1 0
2
1
54 63 1 0 1 1 0 120
0
55 55 0 1 1 0 0 12
1
56 39 0 0 0 1 0
5
1
57 44 0 0 0 1 0 120
0
58 42 1 1 1 0 0 120
生存分析SPSS单因素和多因素对生存率的 可能分析
（Excellent handout training template）
生存分析的理论复习
1. 何为生存分析？
生存分析（survival analysis）是将事件的结果（终点事件）和 出现结果经历的时间结合起来分析的一种统计分析方法。
2. 生存分析的目的：
.0%
100.0%
2-1.模型检验（全变量模型）
模 型 系 数 的 综 合 a , b测 试
倍对整 数体 (得分 从) 上一步骤开始 从更 上改 一块开始更改
似然值 卡方 df Sig.卡方 df Sig.卡方 df Sig.
.02 50 2.174
6.02 01 3.942
6.02 01 1.942
o
g
o
Kaplan-Meier 过程
Kaplan-Meier过程用于(尤其小样本资料）： 1. 估计各生存时间的生存率以及中位生存时间。 2. 绘制各种曲线：如生存函数、风险函数曲线等。 3. 比较某研究因素不同水平的生存时间有无差异。 4. 控制某个分层因素后对研究因素不同水平的生存时间
分布进行比较。 5. 对多组生存时间分布进行两两比较。 （各总体分布比较采用Log-rank等非参数方法）
SPSS统计分析(第6版)(高级版)教学课件SPSS 第8章 生成分析
返回目录
Cox 依时协变量回归分析实例输出结果1
Time与PR1_1的散点图
返回目录
Cox 依时协变量回归分析实例输出结果2
处在编辑状态的散点图
返回目录
Cox 依时协变量回归分析实例输出结果3
添加拟合线的散点图
返回目录
Cox 依时协变量回归分析实例输出结果4
返回目录
习题8及答案（答案略）
1. 什么是寿命表和Cox模型？ 2. data19-05数据为3期和4期黑瘤患者的数据，其中：id变量为编号，
返回目录
Kaplan-Meier分析概述
对于Kaplan和Meier（1958年）所提出的估 计生存函数的乘积限（Product-Limit，PL）方法， 很多作者也把它称为寿命表估计，二者的差别是： PL估计是基于一个个的数据，而寿命表估计是 基于按区间分组数据。PL估计可看成是寿命表 估计的特殊情形。
返回目录
Cox 回归分析实例输出结果1
返回目录
Cox 回归分析实例输出结果2
返回目录
Cox 回归分析实例输出结果3
模型系数综合检验
返回目录
Cox 回归分析实例输出结果3
进入方程变量的统计量
返回目录
Cox 回归分析实例输出结果3
返回目录
Cox依时协变量回归模型分析
返回目录
Cox依时协变量回归模分类协变量对话框
返回目录
Cox 回归分析过程
Cox模型图形对话框
返回目录
Cox 回归分析过程
保存Cox模型新变量对话框
返回目录
Cox 回归分析过程
Cox模型选项对话框
Bootstrap对话框
返回目录
Cox回归分析实例
Cox 依时协变量回归分析实例输出结果1
Time与PR1_1的散点图
返回目录
Cox 依时协变量回归分析实例输出结果2
处在编辑状态的散点图
返回目录
Cox 依时协变量回归分析实例输出结果3
添加拟合线的散点图
返回目录
Cox 依时协变量回归分析实例输出结果4
返回目录
习题8及答案（答案略）
1. 什么是寿命表和Cox模型？ 2. data19-05数据为3期和4期黑瘤患者的数据，其中：id变量为编号，
返回目录
Kaplan-Meier分析概述
对于Kaplan和Meier（1958年）所提出的估 计生存函数的乘积限（Product-Limit，PL）方法， 很多作者也把它称为寿命表估计，二者的差别是： PL估计是基于一个个的数据，而寿命表估计是 基于按区间分组数据。PL估计可看成是寿命表 估计的特殊情形。
返回目录
Cox 回归分析实例输出结果1
返回目录
Cox 回归分析实例输出结果2
返回目录
Cox 回归分析实例输出结果3
模型系数综合检验
返回目录
Cox 回归分析实例输出结果3
进入方程变量的统计量
返回目录
Cox 回归分析实例输出结果3
返回目录
Cox依时协变量回归模型分析
返回目录
Cox依时协变量回归模分类协变量对话框
返回目录
Cox 回归分析过程
Cox模型图形对话框
返回目录
Cox 回归分析过程
保存Cox模型新变量对话框
返回目录
Cox 回归分析过程
Cox模型选项对话框
Bootstrap对话框
返回目录
Cox回归分析实例
生存分析(管理统计学与SPSS 16.0应用课件)
h(t ) t 1 S (t ) exp( t )
10.1.4 生存分析的方法
• 参数法
– 观察的生存时间t服从某一特定的分布 – 估计分布中的参数获得生存率的估计值 – 生存时间的分布可能为指数分布、Weibull分布、对数正态分布等
• 这些分布曲线都有相应的生存函数形式，只需求得相应参数的估计 值，即可获得估计值和曲线
• 基本思想
– 将观测区间划分为很多小的时间区间，对每一个区间所估计的概 率都用来估计事件发生在不同的时间点上的概率
• 原理
– 某一个期望观测到的在[ x, x 1]岁间的死亡个数等于实际死亡个 数，即
E ( Dx ) S i ri qx ri d x
i 1
nx
si ri qx ri ( si ri )qx
• 寿命表的由来
–格兰特于1662年完成《关于死亡表的自然和政 治的观察》(简称(死亡率表))，提出了寿命表 概念
• 基本思想
–将观测区间划分为很多小的时间区间，对每一 个区间所估计的概率都用来估计事件发生在不 同的时间点上的概率
10.2.1 寿命表分析
• 寿命表的由来
– 格兰特于1662年完成《关于死亡表的自然和政治的观察》(简称 (死亡率表))，提出了寿命表概念
管理统计学
2010年
10 生存分析
10.1 基本概念 10.2 寿命表分析 10.3 Kaplan-Meier分析 10.4 Cox 回归分析
10.1.1 基本术语
• 失效时间：也被称为“死亡”事件或失败事件， 表示观察到随访对象出现了我们所规定的结局 • 截尾（删失）值：当观察对象的资料不能提供完 全的信息时，这些对象的观察值称为截尾值（或 删失），常用符号“＋”表示 • 生存时间：即随访观察持续的时间，按失效事件 发生或失访前最后一次的随访时间记录，常用符 号t表示 • 生存率：生存概率，指某个观察对象活过 时刻的 概率，常用 p( X t )表示
10.1.4 生存分析的方法
• 参数法
– 观察的生存时间t服从某一特定的分布 – 估计分布中的参数获得生存率的估计值 – 生存时间的分布可能为指数分布、Weibull分布、对数正态分布等
• 这些分布曲线都有相应的生存函数形式，只需求得相应参数的估计 值，即可获得估计值和曲线
• 基本思想
– 将观测区间划分为很多小的时间区间，对每一个区间所估计的概 率都用来估计事件发生在不同的时间点上的概率
• 原理
– 某一个期望观测到的在[ x, x 1]岁间的死亡个数等于实际死亡个 数，即
E ( Dx ) S i ri qx ri d x
i 1
nx
si ri qx ri ( si ri )qx
• 寿命表的由来
–格兰特于1662年完成《关于死亡表的自然和政 治的观察》(简称(死亡率表))，提出了寿命表 概念
• 基本思想
–将观测区间划分为很多小的时间区间，对每一 个区间所估计的概率都用来估计事件发生在不 同的时间点上的概率
10.2.1 寿命表分析
• 寿命表的由来
– 格兰特于1662年完成《关于死亡表的自然和政治的观察》(简称 (死亡率表))，提出了寿命表概念
管理统计学
2010年
10 生存分析
10.1 基本概念 10.2 寿命表分析 10.3 Kaplan-Meier分析 10.4 Cox 回归分析
10.1.1 基本术语
• 失效时间：也被称为“死亡”事件或失败事件， 表示观察到随访对象出现了我们所规定的结局 • 截尾（删失）值：当观察对象的资料不能提供完 全的信息时，这些对象的观察值称为截尾值（或 删失），常用符号“＋”表示 • 生存时间：即随访观察持续的时间，按失效事件 发生或失访前最后一次的随访时间记录，常用符 号t表示 • 生存率：生存概率，指某个观察对象活过 时刻的 概率，常用 p( X t )表示
《生存分析》PPT幻灯片PPT
截尾数据
截尾数据（censored data）在随访工作中，由于某种原 因未能观察到病人的明确结局（即终止事件），所以 不知道该病人的确切生存时间，它所提供关于生存时 间的信息是不完全的。
产生截尾现象的原因： ①病人失访 ②病人的生存期超过了研究的终止期
③在动物实验中，达到了事先规定的终止事件
生存时间资料的特点
生存时间资料常因失访等原因造成观察不完全，因而在资料搜集、统计 分析和质量控制等方面均有其显著的特点。
生存时间资料有如下显著特点： (1)效应变量有2个 一是生存时间(天数)，二是结局(死亡与否、是否阳性 等)。 (2)存在截尾数据 如有些病人未观察到底，不知他们究竟能活多长时间。 (3)分布类型复杂 生存时间资料常通过随访获得，因观察时间长且难以控 制混杂因素，故其分布常呈偏态，影响因素较多，规律难以估测。
各种生存数据的表示
×
X
×
X
o
O
1994
1995
×
X
1996
1997
年份
1998 1999
各种生存数据的表示
×
X × X ×
X
o
X 1994 1995 1996 1997 1998 1999 2000
死亡概率
死亡概率（mortality probability）记为q， 是指死于某时段内的可能性的大小。
因此，生存时间资料不宜简单地计算死亡率，也不能简单地计算生存时 间的平均数，必须将两者结合起来分析才能准确地反映疗效和预后的好 坏程度，即必须用生存分析方法作统计分析。
病例随访资料分析
• 基本概念 • 小样本未分组资料分析 • 大样本分组资料分析
基本概念
• 生存时间 • 完全数据 • 截尾数据 • 死亡概率 • 生存概率 • 生存率
最新生存分析-SPSS教学讲义PPT课件
• 用 S0(t) 表 示 待 估 计 的 基 本 生 存 函 数 （baseline survival function）；它和自变 量x无关；
• Cox 比例危险模型为
S(t|x)[S0(t)]exp(x') 或者
lnlnS(t|x)x'lnH0(t)
例18.1数据拟合Cox回归模型的SPSS输出：生存分析SPSS第十七章 生存分析
什么是生存分析的内容？
• “我的期望年龄是多少岁？” • “到底这个新疗法能使得这类绝症
患者多存活多久？”“还有什么别 的因素和存活长短有关？”
• 保险公司也要考虑各种人群的寿命， 以确保其人寿保险或医疗保险既具 有竞争力又有利可图。
• 在工程上，人们也会考虑一个材料， 一个原件，甚至一个设备的寿命是 多少。
• 这里一共两个表：第一个是对照组的 （treat=0），第二个是治疗组的（treat=1）。 这里Status=1意味着没有删失，而Status=0意 味着有删失。
Survival Functions
1.1
这是按照Kaplan-Meier方法所估计的生存
1.0
函数的图。这个图和前面的不仅数值上不
一些概念
• 在生存分析中，人们往往希望知道 存活过时间t的概率，这就是所谓的 生存函数(survival function)S(t)。
• 显然它等于1减去生存时间少于t的 概率，即S(t)=1-F(t)。
• 还有一个在t时刻处(附近)，对死亡
发生的可能性进行度量的函数，称 为危险函数(hazard function)，用h(t) 表示，它实际上是-lnS(t)的关于t的 导数（见后面公式）。
(group=0)的累积危险函数
1
• Cox 比例危险模型为
S(t|x)[S0(t)]exp(x') 或者
lnlnS(t|x)x'lnH0(t)
例18.1数据拟合Cox回归模型的SPSS输出：生存分析SPSS第十七章 生存分析
什么是生存分析的内容？
• “我的期望年龄是多少岁？” • “到底这个新疗法能使得这类绝症
患者多存活多久？”“还有什么别 的因素和存活长短有关？”
• 保险公司也要考虑各种人群的寿命， 以确保其人寿保险或医疗保险既具 有竞争力又有利可图。
• 在工程上，人们也会考虑一个材料， 一个原件，甚至一个设备的寿命是 多少。
• 这里一共两个表：第一个是对照组的 （treat=0），第二个是治疗组的（treat=1）。 这里Status=1意味着没有删失，而Status=0意 味着有删失。
Survival Functions
1.1
这是按照Kaplan-Meier方法所估计的生存
1.0
函数的图。这个图和前面的不仅数值上不
一些概念
• 在生存分析中，人们往往希望知道 存活过时间t的概率，这就是所谓的 生存函数(survival function)S(t)。
• 显然它等于1减去生存时间少于t的 概率，即S(t)=1-F(t)。
• 还有一个在t时刻处(附近)，对死亡
发生的可能性进行度量的函数，称 为危险函数(hazard function)，用h(t) 表示，它实际上是-lnS(t)的关于t的 导数（见后面公式）。
(group=0)的累积危险函数
1
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1）√寿命表，系统默认。 2）图： √生存函数 3）比较第一个因子的水平： √整体比较
三、主要输出结果
1. 10月生存率的估计： 甲法 48%，标准误 0.1 乙法 30%，标准误 0.1
2. 两组的中位生存期估计：
3. 绘制生存曲线：
Company Logo
4. 两组生存时间分布的比较：
Company Logo
25 43 1 0 0 1 0 15 1
26 49 0 0 0 1 0
31
27 50 1 1 1 1 1 87 0
28 53 1 1 1 0 0 120 0
29 32 1 1 1 0 0 120 0
30 46 0 1 0 0 1 120 0
31 43 1 0 1 1 0 120 0
32 44 1 0 1 1 0 120 0
? 2-2.模型检验（逐步回归模型， Method=向前 法LR，自变量进入P≤0.05，剔除P>0.10 ）
模 型系 数 的 综合 测 试a ,b
-2 倍对数 步骤 似然值
卡方
整体 (得分) df
Sig.
从上一块开始更改
卡方
df
Sig.
2
182.777
17.594
2
.000
19.217
2
.000
No
X1 X2 X3 X4 X5 X6
t
Y
33 62 0 0 0 1 0 120
0
34 40 1 1 1 0 1 40
1
35 50 1 0 0 1 0 26
1
36 33 1 1 0 0 0 120
0
37 57 1 1 1 0 0 120
0
38 48 1 0 0 1 0 120
0
39 28 0 0 0 1 0
3
1
40 54 1 0 1 1 0 120
1
41 35 0 1 0 1 1
7
1
42 47 0 0 0 1 0 18
1
43 49 1 0 1 1 0 120
0
44 43 0 1 0 0 0 120
0
45 48 1 1 0 0 0 15
1
46 44 0 0 0 1 0
4
1
47 60 1 1 1 0 0 120
生存分析SPSS过程
（SPSS of Survival Analysis）
邹莉玲 预防医学教研室
生存分析的理论复习
1. 何为生存分析？
生存分析（survival analysis）是将事件的结果（终点事件） 和出现结果经历的时间结合起来分析的一种统计分析方法。
2. 生存分析的目的：
(1)描述生存过程：估计不同时间的总体生存率，计算中位生存期， 绘制生存函数曲线。统计方法包括 Kaplan-Meier（K-M）法、 寿命表法。
N 26 37 63 0 0
0
0
合计
63
a. 因变量: t
百分比 41.3% 58.7% 100.0% .0% .0% .0%
.0%
100.0%
? 2-1.模型检验（全变量模型）
模型系数的综合测试a ,b
-2 倍对数 似然值 180.052
整体 (得分)
卡方
df
Sig.
20.174
6
.003
从上一步骤开始更改
? 3. 参数估计（逐步回归模型， Method=向前法 LR，自变量进入P≤0.05，剔除P>0.10 ）
方程中的变量
步骤 X4
2
X5
B -1.762
.931
SE .548
.445
Wald 10.337
4.389
df 1
1
Sig. .001
.036
95.0% CI 用于 Exp(B
Exp(B) 下部
布的比较。 5. 对多组生存时间分布进行两两比较。 （比较总体生存时间分布采用wilcoxon检验）
实例分析
例1：为了比较不同手术方法治疗肾上腺肿瘤的疗效， 某研究者随机将43例病人分成两组，甲组23例、乙组20 例的生存时间（月）如下所示：
其中有“+”者是删失数据，表示病人仍生存或失访，括号内为死亡人数。
(4)预测：建立cox回归预测模型。
生存分析(Survival Analysis)菜单
寿命表（Life Tables）过程
Life tables 过程用于（小样本和大样本资料）： 1. 估计某生存时间的生存率，以及中位生存时间。 2. 绘制各种曲线：如生存函数、风险函数曲线等。 3. 对某一研究因素不同水平的生存时间分布的比较。 4. 控制另一个因素后对研究因素不同水平的生存时间分
0
48 40 0 0 0 1 0 16
1
49 32 0 1 0 0 1 24
1
50 44 0 0 0 1 1 19
1
51 48 1 0 0 1 0 120
0
52 72 0 1 0 1 0 24
1
53 42 0 0 0 1 0
2
1
54 63 1 0 1 1 0 120
0
55 55 0 1 1 0 0 12
a. 起始块编号 0，最初的对数似然函数:-2 倍对数似然值: 201.994
b. 起始块编号 1. 方法 = 向前逐步（似然比）
（2）采用逐步回归法进行Cox模型分析的结果提示：模型拟合自变量进入和 剔除的检验水准分别为0.05和0.1时，筛选后的最佳模型包含两个协变量， 即X4（治疗方式）和X5（淋巴结是否转移），该拟合模型总体检验提示 具有统计学意义（整体卡方=17.594，P<0.001）。
实例分析
? 例3：为探讨某恶性肿瘤的预后，某研究者收集了63 例患者的生存时间、生存结局及影响因素。影响因素 包括病人年龄、性别、组织学类型、治疗方式、淋巴 结转移、肿瘤浸润程度，生存时间以月计算。变量的 赋值和所收集的资料分别见表17-8和表17-9。试用 Cox回归模型进行分析。
表17-9 63名某恶性肿瘤患者的生存时间（月）及影响因素
9 39 1 1 1 0 1 70 0
10 42 0 1 0 0 1 67 0
11 42 0 1 0 0 0 66 0
12 42 1 0 1 1 0 87 0
13 51 1 1 1 0 0 85 0
14 55 0 1 0 0 1 82 0
15 49 1 1 1 0 1 76 0
16 52 1 1 1 0 1 74 0
卡方
df
Sig.
21.942
6
.001
a. 起始块编号 0，最初的对数似然函数:-2 倍对数似然值: 201.994
b. 起始块编号 1. 方法 = 输入
从上一块开始更改
卡方
df
Sig.
21.942
6
.001
结果提示： （1）对模型总体检验有显著意义（P=0.003），即至少 有1个自变量的总体回归系数不为0。
二、操作过程
2）
√
水平间的两两比较。
6. 单击Save按钮，弹出保存新变量Save new variables 对话框：
√ √
三、主要输出结果
1. 生存表： 略 2. 两组的中位生存期估计：
3. 绘制生存曲线：
4. 两组生存时间分布的比较：
Company Logo
Cox回归过程
Cox回归过程用于： 1. 多个因素对生存时间的影响作用分析和比较 2. 生存（或死亡）风险预测
Company Logo
二、操作过程
主菜单：分析Analyze? 生存Survival? 寿命表Life tables
对话框参数设置：
1. 时间time框：选入 “t”。 2. 显示时间间隔Display time intervals框：步长by前面填入最大生存时
间的上限（必须包括生存时间最大值），步长by后面填入生存时 间的组距。本例上限填“60”，组距填“1”。 3. 状态status框：选入“status”，击define events 钮，在single value 框填入“1” 4. 因子factor框：选入“group”，定义最小值“1”，最大值“2”。 5. 单击选项option按钮，弹出对话框：
框填入“1”。 3. 因子factor框：选入“group”。 4. 单击选项option按钮，弹出对话框：
1）统计量： √生存分析表，系统默认。 √ 均值和中位生存时间，系统默认。
2）图： √生存函数 5. 单击比较因子Compare Factor按钮，弹出对话框：
1）检验统计量Test Statistics： 都用于检验时间分布是否相同。 √对数秩Log-rank：各时间点的权重一样。 Breslow：按各时间点的观察例数赋权。 Tarone-Ware：按各时间点观察例数的平方根赋权。
（1）计算甲、乙两法术后10月的生存率和标准误。 （2）估计两组的中位生存期。 （3）绘制各组生存函数曲线。 （4）比较两组的总体生存时间分布有无差别。
Company ogo
一、建立数据文件（data-01.sav）
定义5个变量： 生存时间变量：t，值标签“生存时间（月）” 生存状态变量 ：status，取值“1=死亡，0=删失或存活” 频数变量：freq，值标签“人数” 分组变量：group，取值“1=甲组，2=乙组” 生存时间序号变量(可无）：i
17 48 1 1 1 0 0 63 0
18 54 1 0 1 1 1 101 0
19 38 0 1 0 0 0 100 0
20 40 1 1 1 0 1 66 1
21 38 0 0 0 1 0 93 0
三、主要输出结果
1. 10月生存率的估计： 甲法 48%，标准误 0.1 乙法 30%，标准误 0.1
2. 两组的中位生存期估计：
3. 绘制生存曲线：
Company Logo
4. 两组生存时间分布的比较：
Company Logo
25 43 1 0 0 1 0 15 1
26 49 0 0 0 1 0
31
27 50 1 1 1 1 1 87 0
28 53 1 1 1 0 0 120 0
29 32 1 1 1 0 0 120 0
30 46 0 1 0 0 1 120 0
31 43 1 0 1 1 0 120 0
32 44 1 0 1 1 0 120 0
? 2-2.模型检验（逐步回归模型， Method=向前 法LR，自变量进入P≤0.05，剔除P>0.10 ）
模 型系 数 的 综合 测 试a ,b
-2 倍对数 步骤 似然值
卡方
整体 (得分) df
Sig.
从上一块开始更改
卡方
df
Sig.
2
182.777
17.594
2
.000
19.217
2
.000
No
X1 X2 X3 X4 X5 X6
t
Y
33 62 0 0 0 1 0 120
0
34 40 1 1 1 0 1 40
1
35 50 1 0 0 1 0 26
1
36 33 1 1 0 0 0 120
0
37 57 1 1 1 0 0 120
0
38 48 1 0 0 1 0 120
0
39 28 0 0 0 1 0
3
1
40 54 1 0 1 1 0 120
1
41 35 0 1 0 1 1
7
1
42 47 0 0 0 1 0 18
1
43 49 1 0 1 1 0 120
0
44 43 0 1 0 0 0 120
0
45 48 1 1 0 0 0 15
1
46 44 0 0 0 1 0
4
1
47 60 1 1 1 0 0 120
生存分析SPSS过程
（SPSS of Survival Analysis）
邹莉玲 预防医学教研室
生存分析的理论复习
1. 何为生存分析？
生存分析（survival analysis）是将事件的结果（终点事件） 和出现结果经历的时间结合起来分析的一种统计分析方法。
2. 生存分析的目的：
(1)描述生存过程：估计不同时间的总体生存率，计算中位生存期， 绘制生存函数曲线。统计方法包括 Kaplan-Meier（K-M）法、 寿命表法。
N 26 37 63 0 0
0
0
合计
63
a. 因变量: t
百分比 41.3% 58.7% 100.0% .0% .0% .0%
.0%
100.0%
? 2-1.模型检验（全变量模型）
模型系数的综合测试a ,b
-2 倍对数 似然值 180.052
整体 (得分)
卡方
df
Sig.
20.174
6
.003
从上一步骤开始更改
? 3. 参数估计（逐步回归模型， Method=向前法 LR，自变量进入P≤0.05，剔除P>0.10 ）
方程中的变量
步骤 X4
2
X5
B -1.762
.931
SE .548
.445
Wald 10.337
4.389
df 1
1
Sig. .001
.036
95.0% CI 用于 Exp(B
Exp(B) 下部
布的比较。 5. 对多组生存时间分布进行两两比较。 （比较总体生存时间分布采用wilcoxon检验）
实例分析
例1：为了比较不同手术方法治疗肾上腺肿瘤的疗效， 某研究者随机将43例病人分成两组，甲组23例、乙组20 例的生存时间（月）如下所示：
其中有“+”者是删失数据，表示病人仍生存或失访，括号内为死亡人数。
(4)预测：建立cox回归预测模型。
生存分析(Survival Analysis)菜单
寿命表（Life Tables）过程
Life tables 过程用于（小样本和大样本资料）： 1. 估计某生存时间的生存率，以及中位生存时间。 2. 绘制各种曲线：如生存函数、风险函数曲线等。 3. 对某一研究因素不同水平的生存时间分布的比较。 4. 控制另一个因素后对研究因素不同水平的生存时间分
0
48 40 0 0 0 1 0 16
1
49 32 0 1 0 0 1 24
1
50 44 0 0 0 1 1 19
1
51 48 1 0 0 1 0 120
0
52 72 0 1 0 1 0 24
1
53 42 0 0 0 1 0
2
1
54 63 1 0 1 1 0 120
0
55 55 0 1 1 0 0 12
a. 起始块编号 0，最初的对数似然函数:-2 倍对数似然值: 201.994
b. 起始块编号 1. 方法 = 向前逐步（似然比）
（2）采用逐步回归法进行Cox模型分析的结果提示：模型拟合自变量进入和 剔除的检验水准分别为0.05和0.1时，筛选后的最佳模型包含两个协变量， 即X4（治疗方式）和X5（淋巴结是否转移），该拟合模型总体检验提示 具有统计学意义（整体卡方=17.594，P<0.001）。
实例分析
? 例3：为探讨某恶性肿瘤的预后，某研究者收集了63 例患者的生存时间、生存结局及影响因素。影响因素 包括病人年龄、性别、组织学类型、治疗方式、淋巴 结转移、肿瘤浸润程度，生存时间以月计算。变量的 赋值和所收集的资料分别见表17-8和表17-9。试用 Cox回归模型进行分析。
表17-9 63名某恶性肿瘤患者的生存时间（月）及影响因素
9 39 1 1 1 0 1 70 0
10 42 0 1 0 0 1 67 0
11 42 0 1 0 0 0 66 0
12 42 1 0 1 1 0 87 0
13 51 1 1 1 0 0 85 0
14 55 0 1 0 0 1 82 0
15 49 1 1 1 0 1 76 0
16 52 1 1 1 0 1 74 0
卡方
df
Sig.
21.942
6
.001
a. 起始块编号 0，最初的对数似然函数:-2 倍对数似然值: 201.994
b. 起始块编号 1. 方法 = 输入
从上一块开始更改
卡方
df
Sig.
21.942
6
.001
结果提示： （1）对模型总体检验有显著意义（P=0.003），即至少 有1个自变量的总体回归系数不为0。
二、操作过程
2）
√
水平间的两两比较。
6. 单击Save按钮，弹出保存新变量Save new variables 对话框：
√ √
三、主要输出结果
1. 生存表： 略 2. 两组的中位生存期估计：
3. 绘制生存曲线：
4. 两组生存时间分布的比较：
Company Logo
Cox回归过程
Cox回归过程用于： 1. 多个因素对生存时间的影响作用分析和比较 2. 生存（或死亡）风险预测
Company Logo
二、操作过程
主菜单：分析Analyze? 生存Survival? 寿命表Life tables
对话框参数设置：
1. 时间time框：选入 “t”。 2. 显示时间间隔Display time intervals框：步长by前面填入最大生存时
间的上限（必须包括生存时间最大值），步长by后面填入生存时 间的组距。本例上限填“60”，组距填“1”。 3. 状态status框：选入“status”，击define events 钮，在single value 框填入“1” 4. 因子factor框：选入“group”，定义最小值“1”，最大值“2”。 5. 单击选项option按钮，弹出对话框：
框填入“1”。 3. 因子factor框：选入“group”。 4. 单击选项option按钮，弹出对话框：
1）统计量： √生存分析表，系统默认。 √ 均值和中位生存时间，系统默认。
2）图： √生存函数 5. 单击比较因子Compare Factor按钮，弹出对话框：
1）检验统计量Test Statistics： 都用于检验时间分布是否相同。 √对数秩Log-rank：各时间点的权重一样。 Breslow：按各时间点的观察例数赋权。 Tarone-Ware：按各时间点观察例数的平方根赋权。
（1）计算甲、乙两法术后10月的生存率和标准误。 （2）估计两组的中位生存期。 （3）绘制各组生存函数曲线。 （4）比较两组的总体生存时间分布有无差别。
Company ogo
一、建立数据文件（data-01.sav）
定义5个变量： 生存时间变量：t，值标签“生存时间（月）” 生存状态变量 ：status，取值“1=死亡，0=删失或存活” 频数变量：freq，值标签“人数” 分组变量：group，取值“1=甲组，2=乙组” 生存时间序号变量(可无）：i
17 48 1 1 1 0 0 63 0
18 54 1 0 1 1 1 101 0
19 38 0 1 0 0 0 100 0
20 40 1 1 1 0 1 66 1
21 38 0 0 0 1 0 93 0