晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

此篇文章是引用自一位網友的大作：

如果說，愛情的生命週期是可以預測的，那麼或許每個人都應該學一下存活分析。


 

存活分析(Survival Analysis)主要是研究樣本從起始時間點一直到特定事件發生的時間點之間的存活時間(Survival Time)分佈。而time-to-event─事件發生時間是主要觀察的應變數(Response Variable)，其主要特徵包括：(Ⅰ)資料為非常態分佈、(Ⅱ)設限資料(censored data)，即所觀察到的存活時間資訊並不完整存活分析(survival analysis)是一門研究存活變數的統計方法。

廣義的〝存活變數〞，可定義為由自定的時間起點到發生某個隨機事件(event)所需時間的長度，此學科因此亦被稱為「事件史分析」(event history analysis)。在蒐集存活資料時，有時無法確切的記錄所感興趣事件所發生的時間，此現象稱之為設限(censoring)。造成設限的原因可能是在進行資料分析時所關切的事件尚未發生；也可能因受測者中途離開研究(drop out)。以常見的右設限(right censoring) 為例，令T 為感興趣的存活變數，C為設限變數、在右設線下所觀測到的變數是),min( CTX=、)(CTI=δ。概括而言，存活分析提供了處理不完整設限資料的統計方法。

傳統存活分析的統計方法大致可分三個方向。第一是母數分析，即假設存活變數的母數分配模式已知。此方向較常被研究工程可靠度分析的學者採用，因為產品的物理性質可用來做模式選擇的依據。一般生物統計方面的應用， 多採無母數(nonparametric)或是半母數(semi-parametric)的方式。最重要的無母數推論方法，是Kaplan與Meier所提出的存活涵數估計量。最著名的半母數模式，是Cox提出的proportional hazard model。

一般在存活分析中欲知道的資訊包含：(Ⅰ) 不同的時間點之下樣本存活的機率為何？(Ⅱ) 不同的群組之間其存活函數是否不一樣？(Ⅲ) 存活時間是否與其它影響變數有關聯？SPSS的存活分析基本上提供了上述三個分析的功能：Kaplan-Meier、Log-Rank Test及Cox model。而當違反比例風險的假設時，SPSS亦提供Stratified Cox Model及Time-Dependent Cox model。

其中，Follow up start也就是追蹤的起始時間，換而言之，就是戀情開始的時間；再者Event Time是事件發生時間，如劈腿、變心、不忠誠、不負責任、干擾對象的出現等而導致分手；最後是Survival Time是前兩者的差距時間，也就是從開始到分開的時間。

上次的研習，也就是上個月，我還遇到了我之前修的一門課的老師。那天，講到了潛在與觀察變數之干擾與中介效果驗證，其中的干擾變項，在這裡也就是第三者的影響，既然被稱為第三者，就一定有干擾的效果，如果沒有干擾到，就只能說她是外生變項而已，或稱為路人甲。而她的影響，可能造成了效果變淡或是變負，也就是感情可能轉淡或破裂。

而其中，干擾變項是清楚易見的，也就是有眼睛都看的到的那個人。

相較於干擾變項，中介變項則是較不易明覺的，且要間接效果大於直接效果，才會有中介效果的存在。

另外，右設限，也是研究期間樣本並未發生事件，換而言之，觀察戀情存活的期間內，沒有發生劈腿、變心、不忠誠、不負責任、干擾對象的出現等，但事實上，真正的存活時間是估計它會一直下去的，也就是沒意外的話，兩個人是會一直牽手到永遠的，但是！可能什麼原因都沒有，兩個人卻分開了，也可能因為其他因素而被迫分開。

另外，還可以算出同一個體在研究期間內對同一事件重覆發生許多次的存活機率。而在每一復發事件被視為相同且發生的次序不重要時，要使用Counting Process Model，另外，每一復發事件被視為不同類別或發生的次序是重要的時候，則要使用Conditional or Marginal Model。

以上這些，都可以用SPSS算出。

不過，如果只有山寨版統計套裝軟體，而且統計不是自己的強項時，若真有以上症狀，那還需要做什麼存活分析？

JOHN說：掌聲鼓勵鼓勵，統計真的應該要好好來應用在生活上，分析愛情，有什麼不可以呢？