形式陈述
固定有限观察窗 。对个体 ,记非负进入时间为 ,真实事件时间为 ,删失时间为 ,观察终点 ,事件指示 。采用左开右闭观察区间 ,定义
在已观察到的事件时刻跳一; 是事件发生前的在险指示。实际研究还须限定个体确实进入样本,即 。在共同时间轴上,风险集为 。
使用完备、右连续的滤过理路滤过与适应过程Filtration · Adapted process · Natural filtration以递增 σ-代数表示信息积累,并刻画过程在每一时刻不使用未来信息。 ,记录已经观察到的进入、退出、事件及协变量历史; 表示严格早于t的信息。假设N适应且路径右连续有左极限。连续时间的可预测σ-代数由左连续适应过程生成;下面的风险指示Y及所用协变量对它可测。特别地,左连续适应版本是足够的,不能把连续时间可预测性解释成离散的“上一刻”。
设 , 可预测,定义补偿候选的逐路径Lebesgue积分理路Lebesgue 积分Lebesgue integral从简单函数积分出发,按单调逼近定义非负、扩展值与可积函数的积分。
最后一个期望理路期望Expectation · Expected value实值或复值随机变量关于概率测度的 Lebesgue 积分,概括加权平均与总体质量平衡。条件保证本页使用真鞅而非仅局部鞅。明确的强度假设是:对每个有界可预测测试过程h,
左边是有限事件跳跃之和;右边绝对可积。取 ,其中 、,式(1)给出增量对所有D的积分恒等式。按条件期望理路条件期望Conditional expectation以信息分组的加权平均建立条件期望直觉,再连接测度定义、最小均方预测、塔式性质和可计算反例。定义,
因为 、A可积且连续,M适应、逐时可积并有右连续左极限路径,是这个有限窗上的连续时间鞅理路连续时间鞅Continuous-time martingale在连续时间滤过下适应且逐时可积,并满足任意早晚时刻条件均值恒等式的过程。。
常用速记 在本页表示式(1)的补偿测度关系,不是把dt当普通随机增量,也不是对“精确时刻t发生事件”这个零概率事件直接取比。补偿量写成dt积分假定其对时间绝对连续;固定日期可成批发生事件时,需要含跳跃的补偿量及相应约定。
关键条件是:在所采用的历史信息下,进入和删失后留下的人仍服从声称的事件强度。给定协变量的独立删失是常用充分条件;左截断还需要合适的独立进入条件。鞅性质来自这个观测模型,不是把任何“观察数减预测数”相减都能得到。
直觉:一条计数线和一扇风险窗
像累计记账,事件留下永久的一笔。 像开关,只在正在观察且尚未发生终点时打开。补偿量则把开关打开期间预期发生的事件一点点累加。因而失访会关闭开关,却不会在账上增加一次事件。
图中的观察窗口采用 进入退出:进入时刻本身尚未计入,事件则计入退出前的风险集。两条竖向色带标出下一节计算的事件时刻。
例子与边界
逐步例子
考虑四台设备,以安装后的时间为共同尺度:A 在 进入, 故障;B 在 进入, 删失;C 在 进入, 故障;D 在 进入, 删失。则 ,。D 在时间 还没进入,不能帮助分摊 A 的故障风险。
若四台设备在观察期间都有常数风险 ,则至时间 ,A、B、C、D 的暴露时长分别是 。总补偿量为 ,总事件数为 ,所以总鞅残差在这条实际样本路径上的值是 。鞅的条件均值增量为零,不要求每条路径的残差都为零。
相同表示还能解释Nelson–Aalen 估计理路生存分析基础Survival analysis · Kaplan–Meier estimator对事件时间、删失、survival 与 hazard 建模并估计生存曲线的基础框架。。若所有在险者共享风险率, 的条件均值近似为 。本例两个事件贡献 和 。若分母为零,不定义该比;把估计限制在有风险支持的区间,或在明确的停止规则下报告。这里的重点是分母为何正确,而非重新定义乘积极限估计。
边界与检查
假设检查时能提前知道一台设备即将故障,并因此把它移出观察。此时删失开关携带未纳入模型的故障信息,仍在险设备的风险不再代表原总体。写出 能准确描述资料,却不能自动恢复独立删失。
时间变化协变量只能使用事件前已知值。例如用“以后是否接受维修”给整段历史分组,会把未来信息放进现在的强度。把记录拆成多行也没有增加独立个体数;重复事件或同一对象的多段资料,推断时必须保留对象内依赖。