1 概念基础
1.1 失效/事件时间与生存分析框架
在可靠性工程中，“失效时间”描述某个系统或部件从开始工作到不再满足功能要求的时间；在医学统计中，“事件时间”常用于刻画从基线随访开始到出现特定临床结局的时间。生存分析与失效分析关心的核心对象并非“是否发生”，而是“何时发生”。 危险函数正是用来描述随时间推进，个体在已经度过到某一时刻之后，下一瞬间发生失效/事件的相对强度。
1.2 生存函数与密度函数的关系
生存函数记为 \(S(t)\)，表示时间 \(t\) 之后仍未发生事件的概率：\(S(t)=P(T>t)\)。在连续时间情形下，事件时间 \(T\) 的概率密度为 \(f(t)\)，并且有基本关系 \[ f(t) = -\frac{d}{dt}S(t). \] 因此，危险函数的构造通常需要 \(S(t)\) 与 \(f(t)\)（或等价的分布函数表达）。
1.3 危险函数的直观含义（条件即刻风险）
危险函数（hazard function）刻画“条件于已存活到时间 \(t\)”这一事实之后，事件在紧随其后的极短时间区间内发生的强度。直观上，它回答： 当某个对象在 \(t\) 时刻仍然正常（或尚未出现结局），从 \(t\) 往后一点点开始，失效/事件的“当前加速程度”有多大。 危险函数的数值越高，表示在同样的“已存活条件”下，越容易在接下来的短暂间隔里发生事件。
1.4 相关术语：风险率、失效率、条件失效率
在不同领域与文献中，hazard function 常与以下术语相互对应或近似使用：
- 风险率：强调“风险强度随时间变化”的统计含义。
- 失效率：在可靠性语境中直接指“失效发生强度”。
- 条件失效率/条件风险强度：强调其定义带有条件“已存活到 \(t\)”的性质。
需要注意的是，严谨表达时应区分离散与连续情形、以及是否以极短时间间隔为基准。
2 数学定义与等价表达
2.1 基于生存函数的定义
2.1.1 连续时间情形的典型写法
设事件时间为随机变量 \(T\)，生存函数为 \(S(t)=P(T>t)\)。连续情形下，危险函数定义为 \[ h(t)=\lim_{\Delta t\to 0}\frac{P(t\le T<t+\Delta t\mid T\ge t)}{\Delta t}. \] 利用 \(f(t)\) 与 \(S(t)\) 的关系，可写成等价形式： \[ h(t)=\frac{f(t)}{S(t)}. \] 这一定义凸显了“条件于 \(T\ge t\)”后的即刻风险强度。
2.1.2 离散时间情形的对应形式
若时间以离散时点计数（例如以天或周期为单位），可将危险函数理解为 \[ h(t)=P(T=t\mid T\ge t), \] 即在“已到达并未在更早时刻出事件”的条件下，恰在时点 \(t\) 发生事件的条件概率。 在离散设定下，危险函数与概率质量函数之间对应关系随具体建模方式而调整，但核心含义一致：条件即刻发生的强度。
2.2 与密度/分布函数的等价关系
连续时间下，危险函数常与分布函数 \(F(t)=P(T\le t)\) 与累计失活相关。由于 \(S(t)=1-F(t)\)，并且 \(f(t)=F'(t)\)，可用 \[ h(t)=\frac{f(t)}{1-F(t)}. \] 当分布在某些区间内不光滑或有点质量时，需要采用更一般的形式（例如用生存函数的差分/广义导数），以保证定义与可计算性的一致。
2.3 与对数危险（log-hazard）的联系
在回归建模或平滑估计中，常对危险函数取对数，得到 \[ \log h(t). \] 这样做的原因通常包括： 1) 将乘法关系转化为加法关系，便于线性结构建模； 2) 缓解危险函数跨数量级时的数值问题； 3) 便于解释“风险强度的相对变化”。 在 Cox 模型等框架里，回归通常等价于对 \(\log h(t)\) 的线性预测。
2.4 存在点与可定义性条件（如分母不为零）
危险函数的计算依赖于条件存活概率 \(S(t)\)。因此在满足 \(S(t)>0\) 的时点上，经典表达 \(h(t)=f(t)/S(t)\) 才直接有意义。 当 \(S(t)=0\) 时，表示到该时刻之后事件必然已发生，此时“条件于已存活到 \(t\)”的事件不再适用。实践中通常只在有观测信息与模型定义的时间区间上计算或展示危险函数。
3 与其他概率量的联系
3.1 生存函数、累计危险与积分关系
在连续情形下，危险函数与生存函数之间存在“积分—指数”的联系。定义累计危险函数为 \[ H(t)=\int_{0}^{t} h(u)\,du, \] 则生存函数可由 \[ S(t)=\exp(-H(t)) \] 重建。该关系说明：危险函数描述“瞬时强度”，而累计危险把强度在时间轴上进行累积，最终决定生存概率的下降速度。
3.2 累计分布函数与危险函数的转换
累计分布函数 \(F(t)\) 表示“截至 \(t\) 已发生事件”的概率，满足 \[ F(t)=1-S(t)=1-\exp(-H(t)). \] 因此，只要能够估计 \(h(t)\) 或直接估计 \(H(t)\)，就能在概率层面对分布函数进行转换与解释。 在许多估计方法中，累计危险 \(H(t)\) 更容易通过删失数据构造，因此常先估计累计危险再得到生存曲线。
3.3 生存曲线解读：从危险到生存
危险函数高意味着 \(H(t)\) 增长更快，从而使 \(S(t)=\exp(-H(t))\) 更快下降。反过来，若危险函数随时间降低，则累计危险增长放缓，生存曲线下降的趋势会趋缓。 因此，观察危险曲线的形态往往能辅助理解生存曲线的“弯曲程度”和下降速率变化。
3.4 右删失数据下的风险建模直觉
右删失表示：观测到的个体在随访截止时仍未发生事件，但其真实事件时间超过观测终点。由于危险函数关注“条件于已存活”，右删失数据本质上仍提供了“到截止时刻仍未失效”的信息。 删失机制合理（例如与事件机制独立）时，可以在估计累计危险或回归参数时有效利用这些“未发生事件的证据”，从而得到对危险函数的估计而不至于直接造成偏差。
4 基本性质与形态分析
4.1 单调性与风险随时间的演化
危险函数的形状经常被用来表达风险随时间的演化规律：
- 随时间上升：表示越“老”的对象越容易失效，常见于磨损、疲劳累积等机理。
- 随时间下降：表示早期更脆弱或初期剔除后，剩余对象更稳健。
- 先升后降/先降后升：对应更复杂的多阶段过程或多机制叠加。
这些形态通常直接影响累计危险增长速度与生存曲线的弯折。
4.2 常见危险函数形状（递增/递减/钟形等）
在实践中常见的危险形态包括：
- 递增形状：凸显“劣化随时间推进”。
- 递减形状：体现“早期失败占比较高”。
- 钟形或先增后减：意味着在某阶段风险最高，随后可能因机制切换或样本选择效应降低。
危险函数形状的可解释性是其建模价值的重要来源：它把统计量与过程直觉连接起来。
4.3 与无记忆性的关系（特殊分布情形）
若随机过程满足无记忆性，危险函数在连续时间下通常呈现为常数。最经典的情形是指数分布，其危险函数恒为常数，意味着“已经存活到何时，对下一瞬间的风险强度没有影响”。 因此，危险函数是否为常数，常被用作判断“是否近似无记忆”的信息来源之一。
4.4 危险函数在建模中的可解释性
相较于仅看生存概率，危险函数直接体现了“当下风险强度”的动态变化。它常用于： 1) 比较不同组别或处理方式的风险强度差异； 2) 解释为什么某些方案在早期更有效或在后期更显著； 3) 对失效机理的假设进行定性验证。 在参数化模型中，危险函数往往还能将形状特征映射到少量参数，从而兼顾统计与工程含义。
5 典型模型与示例
5.1 指数分布：恒定危险的基准案例
指数分布是危险函数恒定的代表。它对应“无记忆”假设：在任何存活到时间 \(t\) 的条件下，下一瞬间失效的强度不变。 在可靠性中，指数模型常被用作基准或近似，用于缺少复杂劣化证据时的起始建模；在医学中，则可作为“风险随时间不变”的参照假设。
5.2 威布尔分布：形状参数对危险曲线的影响
威布尔分布广泛用于寿命数据建模。其危险函数随时间的变化由形状参数控制：
- 形状参数大于 1：危险随时间递增，体现劣化加速；
- 形状参数等于 1：退化为指数情形，危险恒定；
- 形状参数小于 1：危险递减，体现早期失效更集中。
因此，威布尔模型常被视为“从无记忆到劣化”的桥梁。
5.3 对数正态与其他常见分布的危险行为
对数正态等分布往往产生非单调的危险函数，常出现先增后减的形态。其含义可被理解为：在早期风险可能较高或中等，随后随着机制发展与选择效应改变，风险强度会在某个时间段达到峰值并回落。 不同分布的危险行为差异，也为模型选择提供了依据：通过拟合危险曲线形态与数据趋势相符程度来辅助判断。
5.4 参数化危险函数的比较示例
在比较多个候选模型时，常见做法包括：
- 直接对比估计得到的危险曲线（或累计危险曲线）形状是否一致；
- 在同一时间范围内评估预测的生存概率或事件概率；
- 结合信息准则或交叉验证进行模型优劣判断。
这种“用危险解释差异”的方式比仅比较生存曲线更能体现风险强度变化的细节。
6 估计方法（数据驱动）
6.1 非参数估计：生存曲线与危险的经验构造
非参数方法通常先估计生存函数，再由其推导危险或累计危险。经验生存曲线可基于事件与删失信息构造。 由于危险函数可能随时间波动较大，很多实践中会更倾向展示累计危险或平滑后的危险曲线，以提升稳定性与可解释性。
6.2 基于极大似然的危险相关参数估计
在参数化模型下，通常把危险函数写成含参数的形式（例如威布尔或对数正态的参数）。利用极大似然估计可在给定删失机制合理的前提下，得到参数的估计值。 在右删失存在时，似然函数会同时包含“发生事件的密度部分”和“未发生事件的生存部分”，从而保证估计使用到全部观测信息。
6.3 Nelson–Aalen 累计危险的常见用途
Nelson–Aalen 方法常用于估计累计危险函数 \(H(t)\)。它对右删失数据尤其常见，因为累计危险的估计能直接整合“在每个时间点发生事件的数量”与“当时仍处于风险集的样本数量”。 一旦获得 \( \hat{H}(t)\)，就可计算相应的估计生存函数 \( \hat{S}(t)=\exp(-\hat{H}(t))\)，并为后续回归或诊断提供基础曲线。
6.4 处理删失的基本思想
删失意味着事件未在观测窗口内出现，但这并不等同于“事件概率为零”。正确的思想是：删失个体仍然对其“未在删失时间前发生”的事实作出约束。 因此估计方法会以风险集方式调整权重：在某个时刻，只对仍“在风险中”的个体计入贡献，从而避免把删失当作事件来处理造成偏差。
7 回归模型中的危险函数
7.1 Cox 比例风险模型（PH）的表述
Cox 比例风险模型使用危险函数的相对结构建模： \[ h(t\mid X)=h_0(t)\exp(X^\top\beta), \] 其中 \(h_0(t)\) 为基准危险，\(X\) 为协变量，\(\beta\) 为待估参数。该形式意味着不同协变量组的危险函数在乘法尺度上成比例，而形状差异主要体现在比例因子而非基准随时间的变化形式。
7.2 比例风险假设的含义与检查思路
比例风险假设要求不同协变量水平下的风险比保持随时间不变。实践中常通过：
- 画出基于模型的风险相关图；
- 利用统计检验或残差诊断评估偏离程度；
- 检查危险比是否在较长时间段内呈现系统性变化。
若假设不成立，可能需要更灵活的模型，如引入时间变化系数或分段处理。
7.3 加性风险模型（Aalen 等）概念概览
加性风险模型采用不同的结构：通常让危险函数在时间与协变量的线性组合上呈加法形式，便于表达“风险的绝对增量随时间变化”。这类模型在协变量效应可能随时间改变时提供了另一条建模路径。 相比比例风险模型，它对“效果方向与幅度随时间”更具表达弹性。
7.4 时间变化系数与分段危险
当效应随时间变化明显时，可以设定：
- 系数为 \( \beta(t) \)，从而得到时间变化的危险结构；
- 或把时间轴划分为区间，在不同区间用不同的参数描述风险强度。
分段方法往往在工程与临床上更便于解释，例如“早期维护策略”与“后期自然磨损阶段”可能对应不同风险机制。
8 诊断与模型评估
8.1 残差思想与拟合优度的直观评价
在生存回归中，残差用于评估模型预测的偏离情况。直观上，如果模型对危险结构刻画得合理，残差应呈现没有系统模式的随机波动。 不同残差定义与检验方式对应不同假设，因此通常需与所用回归框架一致解读。
8.2 危险曲线与生存曲线的一致性检验
模型拟合不仅要在参数层面“看起来合理”，也要在曲线层面保持一致：预测的生存曲线下降速度与观察数据趋势相符，且危险曲线的形态（上升/下降/拐点）与经验估计相匹配。 一致性良好的模型更容易在预测与解释中取得稳健表现。
8.3 风险比例假设的可视化与统计检验
在比例风险模型中，常用可视化方式检查危险比例随时间是否恒定。若危险比在某些时间段出现持续偏移，说明比例假设可能不成立。 统计检验通常可以量化偏离程度，但可视化更有助于定位“偏离发生在何时、偏离如何表现”。
8.4 常见陷阱：过度外推与删失机制忽略
常见问题包括：
- 过度外推：在数据稀疏的长尾时间段仍强行预测，可能导致危险函数形态偏离真实过程。
- 删失机制忽略：若删失与风险真实机制相关且未被合理处理，会引入系统偏差。
因此模型评估应结合数据覆盖范围与删失机制假设的合理性，避免“拟合得好但假设不对”。
9 延伸与应用场景
9.1 可靠性工程中的失效分析
危险函数可用于比较不同工艺、不同材料或不同维护方案的失效强度变化。通过观察危险曲线形态，可以辅助判断劣化阶段的存在与大致时间位置，从而支持预防性维护或寿命分层策略。
9.2 医学中的时间到事件分析
在临床试验或队列研究中，危险函数用于比较不同治疗策略对“事件发生速度”的影响。比例风险模型的优势在于能够提供风险比的相对解释；当效应随时间变动时，加性或时间变化系数模型能提供更贴近过程的表达。
9.3 工程寿命预测与维护策略
寿命预测常需要把历史失效数据映射到未来风险。通过估计危险函数或累计危险，可以计算在特定时间点之前发生失效的概率，并据此安排检查频率、备件策略或换修时机。 与仅输出平均寿命相比，危险函数能体现“越靠近某阶段风险越高”的细粒度信息。
4.（轻量梗）“危险不讲道理”：为什么危险可能很戏剧化
危险函数有时看起来“很不讲理”，因为它回答的是条件即刻风险：即便总体上看起来某组生存概率差不多，只要在某个时间窗口里风险集的构成发生变化，危险曲线仍可能出现明显起伏。 一句梗式总结：别只盯着“活没活”，危险在问的是“活到现在的那批人，下一瞬间到底有多急”。
10 参考与进一步阅读
10.1 生存分析经典教材与综述方向
生存分析的经典教材通常从生存函数、删失数据与估计方法讲起，并逐步引入回归模型、诊断工具与模型选择。阅读时可重点关注危险函数与累计危险之间的转换，以及各类估计器在删失情形下的构造思路。
10.2 危险函数与回归模型的主流文献线索
关于危险函数的回归建模文献可围绕两条主线展开： 1) 基于比例结构的 Cox 模型及其扩展； 2) 基于非比例或加性结构（如 Aalen 类）的更灵活表达。 此外，围绕 Nelson–Aalen、病历/工程数据的诊断评估与敏感性分析的综述也是理解危险函数工程化应用的重要入口。