← 返回 PaperDaily 大模型与智能体

随机化推断新框架：生存分析效应大小终于不用赌分布了

先问大家一个问题：当医生说“这个新药显著延长了患者生存期”，你脑子里第一反应是什么？是“太好了”，还是——等等，到底延长了多少？是延长了两个月还是两年？是让死亡风险降了20%还是让生存时间翻了一倍？

龙哥读论文发布于 2026-08-22 00:20:12 阅读 3 查看原文

#AI科研

原论文信息如下：

论文标题:
Randomization inference for treatment effects on survival outcomes 发表日期:
2026年08月发表单位:
Wake Forest University, Wake Forest University School of Medicine, University of Chicago, University of Pennsylvania 原文链接:
https://arxiv.org/pdf/2608.16529v1.pdf

随机对照试验里的生存数据分析，一直是临床研究里最核心也最纠结的一块。大家耳熟能详的log-rank检验和Kaplan–Meier曲线，一个能告诉你“有没有效”，一个能画出两条生存曲线给你看，但偏偏都说不清“效果到底有多大”。这就很尴尬了：统计显著性有了，临床意义却没人给你一个数。

以前怎么补这个窟窿？靠Cox比例风险模型算风险比，或者用加速失效时间模型算加速因子。可这两个家伙都有脾气：Cox模型默认比例风险假设成立，AFT模型则默认数据服从某种参数分布。万一假设不满足，结果就可能翻车。那有没有一种方法——既不需要假设事件时间服从什么分布，又能给出一个临床医生听得懂、患者也看得明的效应大小？

这就是今天这篇文章要聊的事。来自维克森林大学、芝加哥大学和宾夕法尼亚大学沃顿商学院的研究者，提出了一套全新的非参数置信区间方法，用来量化生存数据的处理效应。你没有听错：不依赖任何事件时间分布假设，只用随机化本身来保证统计推断的可靠性。是不是有点意思？🤚

生存分析中的“缺失一环”：如何量化处理效应大小？

先把场景铺开：随机对照试验中，研究者最常报告三样东西——log-rank检验的p值、Kaplan–Meier生存曲线、以及从Cox模型里薅出来的风险比。前两个给出了“有没有差异”的答案和直观图形，第三个给出了“差异有多大”的一个数。但问题在于，p值和曲线本身不依赖于什么强假设，而风险比却默认比例风险假设成立。万一两条生存曲线交叉了，或者风险比随时间变化，Cox模型给出的那个数就变得很拧巴。

有人可能会说：那就用AFT模型好了，算加速因子，直接告诉你“治疗让事件时间乘以了ρ”。但AFT模型通常也需要指定基线分布，如果分布指定错了，结果照样偏。更扎心的是，log-rank检验本身并不需要这些假设，怎么一到量化效应大小就得先跪下求一个分布假设？这不合理。

这篇论文要做的就是填补这个“缺失一环”：构造两个非参数的置信区间——一个是加性平移效应（additive shift），用c表示，回答“治疗把事件发生时间推迟了多少天”；另一个是乘性加速因子（multiplicative factor），用ρ表示，回答“治疗把事件时间放大了多少倍”。而且，这两个区间的有效性只依赖随机化本身，事件时间分布随便是什么都行。

这种做法在统计圈有个学名叫“随机化推断”（randomization inference），核心思想非常古老且硬核：既然处理分配是随机化的，那么在零假设下，处理的标签其实就是“随机贴”的，我们可以枚举或近似枚举所有可能的分配方案，看看检验统计量在随机化分布下的表现，从而得到精确或渐近有效的推断。换句话说，不需要假装数据是从某个神秘分布里生出来的，随机化本身就是你的护身符。

从log-rank检验到置信区间：随机化推断的新框架

这套工作的地基是Li和Small在2023年建立的一个有限总体随机化推断框架。那篇论文证明了：在非信息删失条件下，log-rank统计量在“无治疗效应”这个尖锐零假设下，条件于所有潜在结果，渐近服从标准正态分布。这个框架最骚的地方在于——它把潜在事件时间和潜在删失时间都当作固定量，随机性完全来自处理分配。

这篇新论文的关键推广在于：原来的结果只适用于“无效应”的零假设，新论文把它扩展到了一大类“常数效应”的零假设——即每个个体的潜在事件时间要么被加上一个常量c，要么被乘以一个常量ρ。你可能觉得这就是个小改动，其实不然，这里面有一个很重要的技术细节：处理效应不仅作用于潜在事件时间，还可能作用于潜在删失时间。

为什么必须连删失时间一起变？因为删失时间不是白给的。在随机化推断的标准做法里，想要模拟一个零假设下的数据集，你得把每个个体的潜在结果“变换”一下再比较。但生存数据的观测结果是“风险时间”和“事件指示器”的配对——风险时间是事件时间和删失时间取最小值，事件指示器则告诉你到底哪个先到。如果只变换事件时间、不变换删失时间，那么变换之后谁先谁后可能就变了，观测到的风险时间和事件指示器就不再是确定的了，整个推断就乱了套。

先来看基本的潜在结果设定。对于每个个体i，在治疗和对照两种状态下，都有对应的潜在事件时间（Tᵢ(1)、Tᵢ(0)）和潜在删失时间（Cᵢ(1)、Cᵢ(0)）。实际观测到的是风险时间Wᵢ和事件指示器Δᵢ，它们的定义如下：

图：观测风险时间Wᵢ与事件指示器Δᵢ的定义——如果分配为治疗组，就看治疗状态下的潜在事件时间和删失时间谁先到；分配为对照组就看对照状态下的对应值。

论文在分析中用了两个关键假设。第一个就是随机化本身：条件于所有潜在事件时间和潜在删失时间，各单位的处理分配是独立同分布的伯努利随机变量（Assumption 1）。第二个是删失机制：潜在删失时间与潜在事件时间独立，且各个体的二维删失时间向量独立同分布（Assumption 2），也就是“非信息性独立同分布删失”。这套设定下，log-rank统计量在零假设下的渐近正态性才有保障。

有了前面的理论打底，构建置信区间就顺理成章了。Log-rank检验的p值怎么算？算一下某个候选参数值下的变换数据p值，如果p值大于显著性水平α，说明这个候选值跟数据“不矛盾”，就把它收进置信集里；反之如果p值小于α，说明这个候选值得不到支持，踢出去。这就是经典的“检验倒置”（test inversion）思路。置信集的定义如下：

图中C_add是加性效应的置信集，C_mult是乘性效应的置信集。LR_c和LR_ρ分别是在对应零假设下用变换后数据算出的log-rank统计量，z_{α/2}是标准正态分布的上α/2分位数。只要|LR|不超过这个临界值，该候选参数值就落在置信集内。所有满足条件的c或ρ组成的集合，就是水平1-α的置信区间。

实际操作上，论文建议在参数空间上打一个细网格，逐个算p值，把p值大于α的那些值收集起来。点估计取p值最大的那个参数值——因为p值越大说明这个值跟数据越“合拍”。稍后的模拟和真实数据部分都会看到这个操作。

加性还是乘性？两种常数效应模型的理论构建

现在来看两种常数效应零假设的具体构造。先说加性平移：治疗让每个个体的潜在事件时间加上一个常数c。对应的零假设写成

图：加性零假设H_c——治疗组潜在事件时间等于对照组潜在事件时间加上常数c。c=0时退化为无治疗效应的Fisher零假设。

在这个零假设下，为了实现检验，论文定义了变换后的潜在事件时间和潜在删失时间：

图：加性变换后的潜在事件时间和删失时间——处理组保持不变，对照组的事件时间和删失时间都加上c。关键点在于事件时间和删失时间“同步平移”，这样变换后谁先谁后不会被破坏，观测的风险时间和事件指示器才能在零假设下完全确定。

注意这里的细节：变换删失时间绝不是可有可无的装饰，而是整个证明成立的命门。论文里的Remark 2也专门提到，标准随机化推断只变换潜在结果，但这里必须连潜在删失时间一起变换，才能保证零假设下每个个体的观测值（风险时间和事件指示器）是确定的。如果只变换事件时间，删失时间不变，那原本事件先到的人可能变成删失先到，观测数据就不再是“模拟”出来的零假设数据集了。

再说乘性加速因子。治疗让每个个体的潜在事件时间乘以一个因子ρ，零假设写成：

图：乘性零假设H_ρ——治疗组潜在事件时间等于对照组潜在事件时间乘以ρ。ρ>1表示治疗延长了生存时间，ρ<1表示缩短了生存时间。

对应的变换方式，同样是对事件时间和删失时间做“同步缩放”：

图：乘性变换后的潜在事件时间和删失时间——处理组不变，对照组的事件时间和删失时间都乘以ρ。变换后对照组的事件时间和删失时间同步缩放，谁先谁后的顺序也不变。这样处理之后，用变换数据算出来的log-rank统计量LR_ρ就有了明确的零分布——标准正态分布。这个结论是论文的Theorem 1和Theorem 2，证明思路跟Li and Small 2023的结论无缝衔接，核心就是验证变换后的数据满足那套框架的条件。

论文还特别讨论了乘性因子ρ和Cox风险比之间的关系。虽然在一般模型下两者是不同的量，但在Weibull AFT模型下有一个漂亮的关系式：

图：Weibull AFT模型的标准形式——log(T(0)) = μ + σε，其中ε服从极值分布，σ是尺度参数。这个设定下，T(0)服从形状参数γ=1/σ、尺度参数λ=exp(-μ)的Weibull分布。

如果事件时间服从Weibull分布，且治疗效应是常数乘性效应T(1)=T(0)ρ，那么风险比恰好就是ρ的某个幂次：HR = ρ^(-γ) = ρ^(-1/σ)。更特殊地，如果T(0)服从指数分布（γ=1），就有HR = 1/ρ——风险比和加速因子互为倒数。这给了临床应用一个很好的参照：你以前报的风险比，跟现在报的加速因子ρ，之间是有桥可以通的。但要注意，论文更想强调的还是那句话：ρ这个量的有效性不依赖Weibull假设，而HR的有效性依赖比例风险假设。

模拟验证与真实数据应用：方法的稳健性与实用性

光有理论不够，还得看数据表现。论文设计了两套数据生成过程来对比新方法和参数AFT方法的优劣。第一套：基线事件时间服从Weibull分布，此时Weibull AFT模型是正确设定的；第二套：基线事件时间服从log-logistic分布，此时Weibull AFT模型就是错误设定。两种情况下都施加常数乘性效应T(1)=T(0)ρ，治疗分配为Bernoulli(0.5)，独立右删失时间从[0, θ]上的均匀分布中产生，θ针对每个场景单独校准，以达到约20%、50%、80%的删失率。样本量取50和200，每个场景跑3000次模拟，ρ取1.0（零假设）和1.25（备择假设）。

先说零假设下的表现。所谓Type I error（第一类错误率），就是本来没有效应却被误判为有效应的概率。对于95%置信区间，这个值理论上应该在5%附近。下图展示了两种方法在不同删失率、样本量和数据生成过程下的表现：

图1：零假设下（ρ=1）随机化方法和Weibull AFT方法的95%置信区间第一类错误率

图1：两种方法在零假设下的第一类错误率对比。虚线标出了名义5%水平。可以看到，随机化方法（实心点）在两种数据生成过程的所有场景下都贴近5%；Weibull AFT方法（空心点）在Weibull数据下表现也不错，但在log-logistic数据下第一类错误率明显膨胀。

这个结果说明什么？当参数模型被正确设定时，两种方法都能控住错误率；一旦模型设定错了，参数方法就开始“飘”，而随机化方法依然稳如老狗。这就是“无分布假设”的底气所在。

再看备择假设下的覆盖率（coverage），也就是置信区间包含真实参数值的概率。对于95%置信区间，目标覆盖率是95%。结果见下图：

图2：两种方法在备择假设下的经验覆盖率。随机化方法在所有场景下都贴近95%名义水平，包括log-logistic数据下样本量只有50、删失率高达80%的极端情况；Weibull AFT方法在log-logistic数据下覆盖率明显掉到90%以下。

覆盖率之外，还要看区间宽度——毕竟一个“永远输出[0, ∞)”的区间覆盖率是100%，但没有信息量。结果见下图：

图3：两种方法在中位区间宽度上的对比。当Weibull模型正确设定时，参数AFT方法的区间确实更窄一些——这是它应得的效率优势。但在log-logistic数据下，随机化方法的区间宽度并没有比参数方法宽太多，而覆盖率却高出一大截。

三张图摆在一起，取舍关系非常清晰：参数方法在模型正确时给你更窄的区间；随机化方法在模型错误时依然守住名义覆盖率。这种“稳健性换效率”的权衡，在实际临床试验中往往是值得的——毕竟，你很难提前知道模型是不是正确的。

真实数据应用：rhDNase囊性纤维化试验

论文用一项真实临床试验数据做了演示：重组人脱氧核糖核酸酶I（rhDNase）治疗囊性纤维化的随机对照试验，主要终点是首次肺部恶化的时间。数据来自R语言survival包中的rhDNase数据集，共647名受试者，剔除6名入组时已有感染的个体后，剩下641人——323人分到安慰剂组，318人分到rhDNase组，两组分别观察到138和103次事件。log-rank检验p=0.0056，说明rhDNase确实显著推迟了肺部恶化的发生。

但p值只是第一步。用论文提出的加性效应方法，在[-80, 80]天的网格上搜索1001个候选值，得到的点估计是50.1天，95%置信区间为[17.1, 73.0]天。翻译成人话：rhDNase把首次肺部恶化推迟了大约50天，95%置信区间显示真实值大概在两周到十周之间。这个区间能把“统计显著”翻译成“临床意义”——医生可以直接判断“推迟两周到十周”对自己面对的患病人群意味着什么。

乘性因子方面，在log尺度[e⁻³, e³]上搜索1001个候选值，点估计ρ̂=1.55，95%置信区间[1.14, 1.89]。这个数的含义更直观：治疗组的恶化时间整体上是对照组的1.55倍，或者说，治疗让恶化时间延长了约55%。

加性效应还是乘性效应哪个更合适？论文给了一个很朴素的视觉检查方案：把对照组的Kaplan–Meier曲线分别做两种变换——向右平移50天，或者把时间轴拉伸1.55倍——然后叠到治疗组的曲线上，看哪条重合得更好。结果见下图：

图4：rhDNase试验的Kaplan–Meier曲线。实线是两组的生存曲线（蓝色为对照、橙色为治疗）；虚线是把对照组时间轴拉伸ρ̂=1.55倍的曲线；点线是把对照组向右平移ĉ=50天的曲线。虚线跟治疗组曲线贴合得更紧，说明乘性加速因子比加性平移更适合作这个数据的效应总结。

直观上也很合理：生存数据的时间尺度效应往往更接近“乘性”而不是“加性”——同样延长50天，对于基线只有100天的人和基线有500天的人，意义完全不同；而乘以1.55则对所有个体都“成比例地”有意义。这也解释了为什么在生存分析里AFT模型有时比AHD模型更自然。

为了降低使用门槛，论文提供了完整的R代码（包括数据准备、加性效应估计、乘性效应估计、绘图代码），还上线了一个Shiny应用（https://lucy.shinyapps.io/survival_ci），临床研究者不用写代码就能用。

优势与局限：非参数方法的取舍之道

这套方法的优势，从上面的模拟和真实数据演示里已经呼之欲出：它几乎不依赖任何模型假设，只靠随机化来保证推断有效性。更妙的是，方法跟log-rank检验用的是同一个统计量——你现在用log-rank检验算p值，顺手就能把这个置信区间也算出来，不需要引入新的统计量、不需要新的检验哲学。

跟已有的类似方法比，论文专门提到了Lin等人2016年做的一个工作——通过倒置Cox偏似然得分检验来构造风险比的置信区间。那个方法有一个优点：它保证“如果log-rank检验显著，则置信区间不包含零假设值”。但它的软肋在于目标参数是风险比，解释依赖于比例风险假设，有效性依赖模型正确设定。而论文的方法直接绕开了这个麻烦——不需要模型，不需要比例风险假设，有效性直接来自随机化。两种方法都用log-rank检验做倒置，但一个带着模型枷锁，一个轻装上阵。

当然，方法也有它清楚的局限。最直接的一条：log-rank统计量是秩统计量，只用到了事件发生顺序，丢弃了具体的时间幅值。因此，在参数模型正确设定时，随机化方法的置信区间会明显宽于参数AFT方法——模拟中那个“中位宽度”的对比已经把这个代价摆上了台面。论文也坦率承认，如果研究者对某个参数分布族很有信心，那参数方法给的更窄区间可能更合适。

还有一点值得一提：两个效应参数都是标量，本质上假设处理效应是常数。如果治疗效果随时间变化——比如早期有保护作用后期反而有害——那单靠一个c或一个ρ就说不太清了。论文对此建议：这种情况下看Kaplan–Meier曲线本身，或者用受限平均生存时间（RMST, restricted mean survival time）等更全面的度量；也可以做亚组分析来捕获效应异质性。

另外，随机化推断的渐近有效性依赖Assumption 2的“非信息性i.i.d.删失”。论文略带哲学意味地指出：即便这个假设不满足，在适当的超总体模型下，方法依然可能通过经典大样本理论获得有效性——因为两种理论框架依赖随机性的来源不同，一个靠随机化分布，一个靠事件时间本身的随机性。这种“双保险”性质在方法论研究中是很讨喜的。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？针对log-rank检验无法量化疗效大小的问题，本文基于随机化推断提出非参数置信区间，通过反转检验给出加性位移与乘性因子，无需事件时间分布假设，模拟与真实数据验证稳健性。

这篇工作最值得看的点是什么？在零假设下，随机化方法在各场景下I型错误率接近名义5%水平；在备择假设下，当Weibull模型正确设定时两种方法覆盖率相当，参数方法区间略窄；在模型误设定时，Weibull AFT区间覆盖率下降，而随机化方法仍保持接近95%的覆盖率。

这篇工作的边界或风险在哪里？优点：方法完全非参数，仅依赖随机化分布即可保证有效性；与log-rank检验和Kaplan-Meier估计概念一致；计算简单，提供R代码和Shiny应用。缺点：在参数模型正确设定时效率低于参数方法；常数效应假设在异质性处理效应下可能不适用；需要非信息性i.i.d.删失假设。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

通过将log-rank检验在常数处理效应的尖锐零假设下进行检验反转，构建加性平移和乘性因子两种非参数置信区间，其有效性仅依赖于随机化分布。

实验合理度：★★★☆☆

现有材料未完整覆盖数据划分、基线公平性和统计显著性，因此按中性评价处理。

学术研究价值：★★★★☆

通过将log-rank检验在常数处理效应的尖锐零假设下进行检验反转，构建加性平移和乘性因子两种非参数置信区间，其有效性仅依赖于随机化分布；更关键的是问题定义是否可复用到同类任务。

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

现有材料缺少完整训练资源、参数量、显存和推理时延信息，成本暂按中性评价。

复现难度：★★★☆☆

https://github.com/LucyMcGowan/2026-nonparametric-survival

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：在参数模型正确设定时效率低于参数方法；常数效应假设在异质性处理效应下可能不适用；需要非信息性i.i.d.删失假设。

主要参考文献

[1] Cox D R. Regression models and life-tables[J]. Journal of the Royal Statistical Society: Series B (Methodological), 1972, 34(2): 187-202.

[2] Wei L J. The accelerated failure time model: a useful alternative to the Cox regression model in survival analysis[J]. Statistics in Medicine, 1992, 11(14-15): 1871-1879.

[3] Li X, Small D S. Randomization-based test for censored outcomes[J]. 2023.

[4] Lin R S, Lin J, Roychoudhury S, et al. Bootstrap evaluation of the effect of data splitting on finite sample precision of parameter estimation[J]. 2016.

[5] Therneau T M, Hamilton S A. rhDNase as an example of recurrent event analysis[J]. Statistics in Medicine, 1997, 16(18): 2029-2047.

[6] 论文原文与代码：https://arxiv.org/pdf/2608.16529v1.pdf | GitHub: https://github.com/LucyMcGowan/2026-nonparametric-survival | Shiny应用: https://lucy.shinyapps.io/survival_ci

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

疗效有多大？不靠假设靠随机化；方法有多妙？群里聊到停不下。😄 想和更多统计、医学AI、大模型同好一起读论文、聊方法、碰撞灵感？欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称，根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群