概念界定
定义与符号约定
累计危险函数（Cumulative Hazard Function）记为 \(H(t)\)，通常用于生存分析与可靠性工程中，刻画“从起点时间到 \(t\) 为止，事件发生风险在累计意义上的强度”。在标准框架里，\(t\) 表示随时间推移的观察时刻（或时长），而 \(H(t)\) 作为一个随时间变化的非负函数，反映风险的“累积效应”。
与生存函数的关系
累计危险函数与生存函数 \(S(t)\) 的关系是生存分析中的核心等式： \[ S(t)=\exp(-H(t)). \] 因此，\(H(t)\) 越大，生存概率 \(S(t)\) 越小；反之，若累计危险增长缓慢，表示事件在较长时间内仍不易发生。该关系使得累计危险既能反映风险的时间结构，也能直接转换为可解释的存活（或未失效）概率。
与概率密度/风险率的衔接
在连续时间设定下，累计危险通常由危险率（瞬时风险强度） \(h(t)\) 推导而来。危险率描述“在 \(t\) 附近、已生存到 \(t\) 的条件下，事件在极短时间内发生的相对速率”。累计危险把危险率在时间维度上加总，从而形成影响 \(S(t)\) 的总体强度。
与危险率的积分关系
危险率（hazard rate）的含义
危险率 \(h(t)\) 可理解为条件发生强度：给定个体或系统在时刻 \(t\) 前尚未发生事件，在 \(t\) 到 \(t+dt\) 的极短区间内，其瞬时风险的水平可由 \(h(t)\) 表示。需要强调的是，危险率并不等同于“到 \(t\) 发生事件的概率”，而是条件意义下的“发生速率/强度”。
积分构造累计危险
在连续时间模型中，累计危险由危险率对时间求积分给出： \[ H(t)=\int_0^t h(u)\,du. \] 该式体现了累计效应：危险率在不同时间段的大小，会按时间区间累积到 \(H(t)\) 中，再通过 \(S(t)=\exp(-H(t))\) 转换为生存概率。若 \(h(u)\) 在某段时间更高，则同一时间终点的 \(H(t)\) 增长更快，生存曲线更陡。
连续时间与离散时间的差异
连续时间下，\(H(t)\) 是积分形式；而在离散时间（如按天、周、工次进行分段观察）里，常用差分或“每期条件发生概率”构造相应的累计危险量。直观上，连续模型把危险当作“无穷小时间上的速率”，离散模型则把风险当作“期内的条件发生概率或条件强度”，从而形成逐期累积。两者在可解释层面相近，但数学表达与实现方式不同。
典型模型中的形式
指数分布与常数危险率
指数分布是最经典的基准情形之一。其特点是危险率为常数 \(h(t)=\lambda\)。则 \[ H(t)=\int_0^t \lambda\,du=\lambda t, \qquad S(t)=\exp(-\lambda t). \] 常危险率意味着“到目前为止已存活多久并不改变未来的瞬时风险”，这与记忆性（或等价的无年龄效应）相对应。
威布尔分布与幂律型增长/衰减
威布尔分布常用于描述风险随时间呈幂律变化的失效。其危险率通常可写成与 \(t^{k-1}\) 相关的形式（不同参数化记法略有差异）。在常见写法下，\(H(t)\) 往往呈 \(t^k\) 的形式： \[ H(t)=\left(\frac{t}{\eta}\right)^k, \] 其中 \(k\) 控制风险随时间的增减趋势。若 \(k>1\)，风险随时间上升（早期更可能存活，后期更易失效）；若 \(k<1\)，风险随时间下降（早期失效更集中，后期较稳定）。
对数正态与数值/解析处理
对数正态模型用于刻画偏斜的失效时间分布，其危险率通常随时间先上升后下降或呈复杂形态。与指数或威布尔相比，累计危险 \(H(t)\) 的显式封闭形式在常用表达下往往不如前两者简洁，实际估计中更依赖数值计算。此时可以通过已知分布的生存函数 \(S(t)\) 来计算 \[ H(t)=-\log S(t), \] 从而在软件实现中获得累计危险曲线。
哥姆帕茨（Gompertz）型增长
哥姆帕茨模型常用于描述某些机制下风险随年龄快速上升的情形。其危险率随时间（或年龄）呈指数型增长，进而使累计危险增长速度也相应加快。该模型的优势在于能够生成形态上清晰的“风险随时间加速”曲线，并常用于人群寿命或老化相关建模的经验拟合（此处仅讨论数学形式与用途范畴）。
性质与判别
单调性与可积性
在标准生存分析设定下，危险率 \(h(t)\) 取非负，因此累计危险 \(H(t)=\int_0^t h(u)\,du\) 必然是随 \(t\) 增大的非减函数。若 \(h(t)\) 在有限区间上可积，则 \(H(t)\) 在该区间保持有限；若在某些情形下累计危险发散，则意味着生存函数趋近于零（在极限意义下事件几乎必然发生）。
可识别性与尺度变换
不同参数化模型可能通过同一条累计危险曲线实现数据拟合，这涉及“参数可识别性”。在实践中，通常通过对 \(H(t)\) 结构的约束（例如 \(H(t)\) 的函数形式）来确保参数估计具备唯一性或足够稳定性。此外，尺度变换（如把时间单位从天换到周）会相应改变模型参数，但 \(S(t)=\exp(-H(t))\) 所表达的生存概率不应因单位变化而改变；因此，正确换算与参数解释是必要步骤。
极限行为（\(t\to 0\)、\(t\to \infty\)）
当 \(t\to 0\) 时，若 \(h(t)\) 在零附近有限，则 \[ H(t)\to 0,\quad S(t)=\exp(-H(t))\to 1, \] 表示刚开始时事件尚未发生的生存概率接近 1。 当 \(t\to\infty\) 时，若 \(\int_0^\infty h(u)\,du =\infty\)，则 \(H(t)\to\infty\)，从而 \(S(t)\to 0\)，对应“长期必然失效/发生”。反之，若累计积分收敛，则存在正的极限生存概率，对应长期仍可能不发生事件的情形（例如某些竞争机制或建模假设导致的免疫/长寿现象）。
与条件生存的关系
条件生存描述“已存活到某个时刻后，未来再存活一段时间的概率”。在累计危险框架下，常见形式为：从 \(s\) 到 \(t\) 的条件生存可写成与累计危险增量有关。由于 \[ S(t)=\exp(-H(t)), \] 则条件生存概率会体现为 \(\exp(-(H(t)-H(s)))\)。这说明累计危险不仅用于刻画绝对时间上的生存，也自然支持“分段条件”的推导。
统计推断中的角色
极大似然与累计危险的估计
在参数模型中，\(h(t)\) 或 \(H(t)\) 通常带有未知参数。最大似然估计会利用观测到的事件时间与删失信息构建似然函数，进而间接估计累计危险函数的参数化形式。由于 \(S(t)=\exp(-H(t))\) 将累计危险与可观测的生存概率联系起来，许多似然表达会包含 \(\exp(-H(t))\) 或其导出的项。
Nelson–Aalen 估计思想
Nelson–Aalen 估计是一类常见的非参数估计思想，目标是估计累计危险函数而非危险率本身。其核心直觉是：在观察到事件发生的时间点上，用数据对“危险率对应的累积量”进行逐点更新，从而得到一个阶梯型的累计危险估计曲线。该方法在存在右删失时仍能提供合理的累计风险估计，并常用于生成后续的图形诊断或作为基线量的比较对象。
右删失数据下的处理要点
右删失表示个体在观察期结束时仍未发生事件，此时只能知道其生存超过某个时间点。累计危险的估计需要正确处理这些“只知道下界”的信息：删失观测对 \(H(t)\) 的贡献通常体现在风险集（仍处于可观察风险中的个体/样本）上，而不是简单地把删失时间当作事件发生时间。因而估计时要在每个时间点使用合适的“在险人数”或“风险集大小”，以避免把删失当作真实事件。
置信区间与方差估计
累计危险的估计量通常具有可近似的方差结构，从而可构建置信区间。实践中常见做法是使用渐近方差或对估计量进行变换后更稳定地计算区间。例如，某些实现会基于估计量的渐近正态近似，或采用特定的方差估计公式来给出上下界。由于累计危险往往呈单调递增的阶梯形，区间的构造方法会影响区间是否出现不合理的下界（如负值）等数值现象，需要配合软件的默认实现或诊断检查。
关联模型中的累计危险
Cox 比例风险模型的框架
Cox 比例风险模型把危险率写成“基线危险率乘以指数形式的相对风险”。在该框架下，累计危险也会相应分解：不同协变量通过一个缩放因子作用于累计危险。简言之，协变量不会改变基线累计危险曲线的“时间形状”，而是改变其在任意时间点上的尺度，从而体现为比例关系。
基线累计危险函数
Cox 模型中的基线累计危险函数是指协变量取某个参照水平时的累计风险曲线。由于协变量的影响通过相对风险因子进入，基线 \(H_0(t)\) 常被视为“系统在基准条件下的累计风险”。它既可用于解释绝对风险层面的变化，也可作为预测与比较的基础量。
协变量如何进入累计风险
在比例风险设定中，协变量通过线性预测子 \( \eta = x^\top \beta \) 进入，并以指数形式影响危险。于是累计危险通常呈现类似 \[ H(t\mid x)=H_0(t)\exp(\eta), \] 从而保证生存函数为 \[ S(t\mid x)=\exp(-H_0(t)\exp(\eta)). \] 该结构使得“相对风险比例恒定”在累计层面也得到体现：对同一时间点，累计危险随 \(\exp(\eta)\) 成比例缩放。
处理非比例风险的思路
当真实数据不满足比例风险假设时，累计危险的简单比例缩放可能不再成立。常见处理思路包括：引入协变量的时间变化效应（让 \(\beta\) 随时间变动）、使用分段或非参数的相对风险结构，或采用更灵活的模型形式（例如针对时间交互项的扩展）。这些方法的共同目标是让累计危险对时间的响应更贴合数据，从而提高解释与预测的可靠性。
计算与实现
数值积分与离散化
当模型的危险率或生存函数缺乏简单解析式时，累计危险往往需要数值计算。常见做法包括对 \(h(u)\) 进行数值积分，或直接基于 \(S(t)\) 计算 \(H(t)=-\log S(t)\)。在离散时间数据中，则通过时间步长的求和或累积差分来近似连续积分。
软件实现的常见接口概念
在统计软件或计算库中，累计危险常以“估计对象”的形式出现：输入事件时间、删失指示与模型/非参数估计选项，输出累计危险曲线与可能的方差估计。不同接口可能将其分为“生存函数估计”“风险函数估计”或直接提供“累计危险估计”。无论形式如何，关键是理解其内部如何构建风险集、如何处理删失与时间离散化，以及输出是否以对数尺度或自然尺度呈现。
诊断图与可视化（如累计危险曲线）
累计危险曲线是常用诊断与交流工具。由于 \(H(t)\) 单调递增，绘制它可快速比较不同组别或模型的累计风险累积速度。配合生存曲线或对数尺度图，可以更容易观察模型是否贴合数据，尤其在比较多个子人群或不同协变量水平时，累计危险图能直观展示风险差异如何随时间展开。
常见数值稳定性问题
计算 \(H(t)=-\log S(t)\) 时，如果 \(S(t)\) 极小，\(-\log S(t)\) 可能导致数值放大，从而引发精度或舍入误差问题。另一个常见问题是当估计量在某些时间点出现平台或跳跃（如阶梯型非参数估计）时，后续差分、平滑或插值可能带来不稳定。实践中通常通过选择合适的时间网格、使用对数稳定的计算方式、并结合误差诊断来缓解这些风险。
应用场景
可靠性工程中的失效累计风险
在可靠性工程中，事件常对应失效。累计危险用于描述系统从投入运行到某时刻的“累计失效风险强度”，可作为寿命分析、维保周期制定与寿命分布比较的基础指标。通过不同工况或生产批次的累计危险曲线，可以评估改进措施是否真正降低了风险累积速度。
医学随访与事件发生建模
在医学随访中，事件可能是复发、死亡或其他结局。累计危险提供了从起点到特定随访时刻的风险累积视角，并能与删失数据自然结合。相较于只看瞬时风险，累计危险更强调风险如何随时间逐步累积，从而帮助理解随访长度与结局发生的关系。
设备寿命与维护决策
维护策略往往需要权衡“越晚维护越省成本”与“越晚风险越高”的矛盾。累计危险可用于量化在不同维护时点下系统的风险累积水平，从而辅助选择更合理的保养窗口或更有针对性的更换阈值。若模型还能与成本函数结合，就能把“风险累积”转化为可执行的决策依据。
项目/流程的“延迟-失败”建模（轻量延伸）
在流程管理或项目执行中，“失败”有时可以被理解为某种不满足目标的终态，“延迟”则对应时间拖长导致的风险增加。累计危险可用于建模“从启动到当前进度”的失败累计强度，并用于评估不同管理策略是否能减缓风险的累积。该用法更偏向类比与建模框架迁移，但其核心思想仍是以时间为轴度量风险累积。
讨论与常见误解（偏科普）
“累计危险”并非概率
许多人初学时会把 \(H(t)\) 当作“到 \(t\) 发生的概率”。实际上 \(H(t)\) 本身不是概率，而是进入概率表达式的中间量：只有通过 \(S(t)=\exp(-H(t))\) 才能得到生存概率。累计危险的单位与尺度由模型设定决定，不能像概率那样直接解释为“百分比”。
与“风险概率”的直观混淆
在日常语言里“风险”常被理解为某个时点的概率。但危险率与累计危险更接近“条件强度”和“累积强度”。例如，即便 \(H(t)\) 看似增长很快，也不意味着“在那个时刻立刻发生的概率就是这么大”，而是表示在截至该时刻，综合影响使得生存概率被指数形式地压低。
为什么 \(S(t)=\exp(-H(t)) 很关键
该关系把抽象的累计强度与可观测的生存概率桥接起来，使模型可被数据校验：如果估计得到的 \(H(t)\) 与观测到的生存曲线对应不佳，则模型或参数可能不匹配。更重要的是，它保证了框架内部的一致性：从危险率到累计危险，再到生存概率，逻辑链条清晰可追踪。
梁式比喻：把危险当“计费器”（累计式理解）
可以用轻松的比喻理解：假设危险率像一个不断增加的“计费器”（但计费对象是风险强度）。从 0 到 \(t\) 的累计危险 \(H(t)\) 就是计费器的“累计账单”；而 \(S(t)=\exp(-H(t))\) 像是账单越大、你还能“维持存活状态”的概率就越快衰减。它强调的是“累计效应”，而不是某一瞬间的直觉判断。