EssayAI
Блог
Блог
Математика и алгоритмы

Анализ выживаемости Каплана-Мейера: пример расчёта

8 ноября 2026Время чтения: 8 минут
#анализ выживаемости#метод каплана мейера#цензурирование#медиана выживаемости#статистика
Анализ выживаемости Каплана-Мейера: пример расчёта

Анализ выживаемости Каплана - Мейера оценивает вероятность того, что до заданного времени интересующее событие ещё не произошло. Событием может быть отказ устройства, рецидив или окончание обучения: название метода не ограничивает его медициной. Его особенность - использование неполных наблюдений: если участник выбыл раньше окончания исследования, известно хотя бы, что до момента выбытия событие не наступило. В калькуляторе можно изменить начальное число участников и увидеть, как меняются ступеньки при тех же моментах событий и прекращения наблюдения.

Что показывает кривая выживаемости

Пусть TT - время от заранее определённого начала наблюдения до события. Функция выживания S(t)=P(T>t)S(t)=P(T>t) описывает вероятность оставаться без события дольше времени tt. Оценка Каплана - Мейера S^(t)\widehat S(t) строится по выборке и имеет вид ступенчатой невозрастающей кривой: она падает в моменты наблюдаемых событий и остаётся горизонтальной между ними. Общая связь вероятностей с функцией распределения разобрана в статье о функции распределения.

Маркер движется по времени: при событии он опускается на следующую ступеньку, а у знака цензурирования высота кривой не меняется.

На горизонтальной оси откладывают время от общего начала отсчёта, на вертикальной - оценку вероятности или доли без события. Уровень 0,75 через три месяца означает оценку 75 %, а не гарантию для каждого участника. Сама кривая описывает группу; по ней нельзя узнать точный момент события для отдельного человека. Важны и единицы времени, и чёткое определение события: кривая времени до отказа не отвечает на вопрос о времени до ремонта.

Событие, группа риска и цензурирование

Группа риска непосредственно перед моментом tit_i состоит из участников, которые к этому моменту ещё наблюдаются и не пережили событие. Обозначим её численность nin_i, а число событий в этот момент - did_i. После события участник больше не входит в последующие группы риска. Если несколько событий произошли одновременно, их учитывают одним числом did_i.

При правом цензурировании точное время события неизвестно, но известно, что оно превышает время последнего наблюдения. Например, участник покинул исследование на втором месяце без события либо исследование закончилось раньше события. До этой даты его информация используется; после неё он исключается из группы риска. На кривой цензурирование часто отмечают знаком «+». Само по себе оно не создаёт падения: неизвестно, когда именно событие произойдёт.

Если событие и цензурирование совпадают по времени, здесь события рассчитывают первыми: все ещё входят в группу риска непосредственно перед этим временем, затем цензурированные из неё выходят. В реальных данных важно заранее указать правило обработки совпадений и точность измерения времени. Ошибки в датах могут изменить и группу риска, и всю последующую кривую.

Формула Каплана - Мейера

В каждом моменте события условная оценка шанса пройти этот момент без события равна (ni−di)/ni(n_i-d_i)/n_i. Чтобы получить оценку на времени tt, перемножают такие доли для всех моментов событий не позже tt:

S^(t)=∏ti≤t(1−dini).\widehat S(t)=\prod_{t_i\leq t}\left(1-\frac{d_i}{n_i}\right).

До первого события оценка равна 1. Это произведение условных долей, поэтому знаменатель при каждой ступеньке обновляется. Принцип условности полезно сопоставить с условной вероятностью. Цензурированные записи не входят в произведение как отдельные множители, но уменьшают знаменатели более поздних ступенек.

Метод не требует заранее выбирать экспоненциальный или иной параметрический закон времени до события. При этом его обычная интерпретация опирается на предположение о неинформативном цензурировании: в рассматриваемой группе выбывшие не должны систематически отличаться по будущему риску от оставшихся под наблюдением. Это предположение нельзя проверить одной лишь кривой. Оно обсуждается уже в первоначальной статье Каплана и Мейера.

Пошаговый пример с шестью участниками

Возьмём искусственную учебную выборку: в начале шесть участников, события наступают на 1, 3, 4 и 6 месяце, а наблюдение без события прекращается на 2 и 5 месяце. В каждый указанный момент выбывает один участник. Рассчитаем оценку сразу после каждого изменения:

МесяцЧто произошлоВ группе риска перед моментомОценка после момента
0Начало61
1Событие65/6≈0,8335/6 \approx 0{,}833
2Цензурирование55/6≈0,8335/6 \approx 0{,}833
3Событие4(5/6)(3/4)=5/8=0,625(5/6)(3/4)=5/8=0{,}625
4Событие3(5/8)(2/3)=5/12≈0,417(5/8)(2/3)=5/12 \approx 0{,}417
5Цензурирование25/12≈0,4175/12 \approx 0{,}417
6Событие10

Первый множитель равен 5/65/6. Ко времени второго события группа риска сократилась до четырёх: один участник пережил событие, ещё один выбыл без него. Поэтому множитель здесь 3/43/4, а не 3/53/5 или 3/63/6. После события на четвёртом месяце оценка впервые становится ниже половины. На шестом месяце последнее наблюдаемое событие обнуляет оценку; этот результат не означает, что время события каждого цензурированного известно.

Ступенчатая кривая для шести участников: знаки цензурирования на втором и пятом месяце, медиана четыре месяца
Ступенчатая кривая для шести участников: знаки цензурирования на втором и пятом месяце, медиана четыре месяца

Ползунок калькулятора добавляет участников, которые остаются под наблюдением до конца шестого месяца без события. При этом четыре события и два цензурирования остаются на прежних местах, а группы риска растут. Сравнение показывает влияние знаменателей; это учебная модель, а не результаты исследования.

Как подготовить данные к расчёту

Для каждой единицы наблюдения нужна отдельная запись: момент начала отсчёта, длительность до события или последнего контакта и статус, который различает событие и цензурирование. Длительности должны быть выражены в одинаковых единицах. Сам по себе столбец времени недостаточен: шесть месяцев до отказа и шесть месяцев без отказа в конце исследования вносят в расчёт разную информацию.

Затем записи сортируют по длительности и составляют таблицу моментов. Перед каждым событием пересчитывают число тех, кто ещё находится под наблюдением и не пережил событие. Проверка суммы выбывших помогает найти пропущенные записи: число событий, цензурированных и остающихся под наблюдением должно согласовываться с начальной численностью. При разных датах включения участников время обычно отсчитывают от индивидуальной точки входа, а не от календарной даты начала проекта.

Важно также различать правое цензурирование и поздний вход в исследование. Если участник становится наблюдаемым только спустя некоторое время после начала своего отсчёта, в группу риска до входа его включать нельзя. Для таких данных нужна оценка с учётом запаздывающего включения; простой калькулятор выше предполагает, что все участники входят в момент ноль. Явно записанные правила подготовки данных позволяют другому исследователю воспроизвести таблицу и понять ограничения результата.

Как найти медиану и читать конец кривой

Медиана времени до события - первый момент, когда оценка S^(t)\widehat S(t) становится не больше 0,5. В примере это четыре месяца: после третьего месяца оценка 0,625, после четвёртого - примерно 0,417. Не следует брать среднее из дат событий или интерполировать между ступеньками без отдельного определения метода.

Если кривая за время наблюдения остаётся выше 0,5, медиана не достигнута: данных для её оценки по этой кривой недостаточно. Это не нулевая медиана и не обязательно бесконечное время до события. С ростом времени участников под риском часто становится мало, поэтому поздние ступеньки особенно чувствительны к единичным событиям. К графику полезно добавлять таблицу численности группы риска и доверительные интервалы; общие принципы неопределённости рассматриваются в материале о доверительной вероятности.

Сравнение групп и ограничения

Для сравнения групп строят отдельную кривую для каждой, используя одинаковые определения события и начала отсчёта. Разность высот в конкретный момент показывает разность оценок долей без события, но визуальный разрыв ещё не доказывает причинный эффект или статистическую значимость. На результат могут влиять состав групп и различия в наблюдении; подробнее о роли отбора - в статье о генеральной совокупности и выборке.

Для проверки различий часто применяют логранговый критерий, а для учёта ковариат - модели времени до события, например регрессию Кокса. Их предположения нужно проверять отдельно. При конкурирующих событиях, которые препятствуют наступлению изучаемого события, обычная кривая Каплана - Мейера с цензурированием таких исходов не равна фактической накопленной частоте изучаемого события; для неё используют анализ конкурирующих рисков.

Частые ошибки

  • Считать цензурирование событием или удалять запись целиком: наблюдение до выбытия содержит информацию.
  • Оставлять начальную численность в каждом знаменателе: группа риска меняется после событий и цензурирования.
  • Называть оценку после определённого месяца вероятностью события: вероятность события к этому времени связана с ней как 1−S^(t)1-\widehat S(t) при обычной постановке без конкурирующих рисков.
  • Объявлять медиану равной последней дате наблюдения, когда кривая не достигла 0,5.
  • Читать поздний участок без числа участников под риском и без оценки неопределённости.

FAQ

Почему кривая не падает в точке цензурирования?

Событие в этой точке не наблюдалось. Участник учитывается до последнего наблюдения, но исключается из последующих групп риска.

Может ли оценка снова вырасти?

Нет. Каждый множитель находится между нулём и единицей, поэтому оценка остаётся прежней либо уменьшается.

Нужно ли знать точное время события для каждого?

Нет. Метод использует и правое цензурирование, если известны время последнего наблюдения без события и соответствующий статус. Однако систематически информативное выбытие способно сместить оценку.

Коротко

Метод Каплана - Мейера перемножает условные доли оставшихся без события в моменты событий. Цензурирование не опускает кривую, но меняет будущую группу риска. В учебном примере из шести участников оценка после четвёртого месяца равна 5/125/12, а медиана составляет четыре месяца.

Доверьте текст нейросети EssayAI

Открыть EssayAI

Бесплатно, на русском языке и без VPN

Читайте также

Доверительная вероятность и уровень значимости

Доверительная вероятность и уровень значимости

Как связаны доверительная вероятность и уровень значимости: формула, смысл ошибок, пример доверительного интервала среднего и проверка двусторонней гипотезы.

8 ноября 20268 минут
Доверительный интервал среднего при неизвестной дисперсии

Доверительный интервал среднего при неизвестной дисперсии

Как построить доверительный интервал для математического ожидания при неизвестной дисперсии: формула Стьюдента, условия, пример расчёта и интерпретация.

8 ноября 20268 минут
Парадокс Симпсона в статистике: пример и объяснение

Парадокс Симпсона в статистике: пример и объяснение

Парадокс Симпсона в статистике: как направление сравнения меняется при объединении групп, почему важны веса и когда стратификация помогает избежать ошибки.

8 ноября 20268 минут
Проверка гипотезы о среднем нормального распределения

Проверка гипотезы о среднем нормального распределения

Как проверить гипотезу о среднем нормального распределения: выбор Z- или t-критерия, формулы, пример расчёта, критические области и интерпретация результата.

8 ноября 20268 минут
Таблица сопряжённости и критерий хи-квадрат Пирсона

Таблица сопряжённости и критерий хи-квадрат Пирсона

Как проверить независимость признаков по таблице сопряжённости: ожидаемые частоты, расчёт хи-квадрат Пирсона, степени свободы, p-значение и ограничения метода.

8 ноября 20269 минут
Точный критерий Фишера: таблица сопряжённости

Точный критерий Фишера: таблица сопряжённости

Как применять точный критерий Фишера к таблице сопряжённости 2×2: условное распределение, одностороннее и двустороннее p, пример расчёта и интерпретация.

8 ноября 20268 минут