crosstabs.
打开导航
打开分析工作区

SPSS 命令: SPSS KM

在浏览器中做 Kaplan-Meier 生存分析

Kaplan-Meier 法在部分个案被删失（随访一段时间但尚未发生事件）的情况下，估计随时间推移仍未发生事件的概率。

用示例数据试一试用自己的文件运行

免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日

能告诉你什么

Crosstabs 在你的设备上运行与 SPSS KM 对应的过程：按组输出生存表、带标准误的平均与中位生存时间、四分位数，以及可在分层内进行的 Log Rank、Breslow 与 Tarone-Ware 比较。

  • 每个不同事件时间之后的累积生存比例，以及 Greenwood 标准误。
  • 中位生存时间及其置信区间，以及生存时间的第 25 与第 75 百分位数。
  • 限制性平均生存时间；当最大观察时间为删失时，均值限制在该时间以内。
  • 各因子水平的生存曲线是否不同；三种检验对早期与晚期差异的加权方式各不相同。
  • 对于有序分组，生存是否随水平呈线性趋势变化。

适用场景

适合使用

  • 并非所有个案都已发生事件的时间—事件数据：客户流失、疾病复发、设备故障、首次购买时间等。
  • 描述全样本的生存情况，或在不调整协变量的情况下比较少数几个组。
  • 在分层内比较各组，例如在各研究中心内比较治疗组，使用跨层合并的检验。

改用其他方法

  • 需要调整多个协变量或估计风险比：使用 Cox 回归。
  • 事件时间只按区间已知（0–6 月、6–12 月），或样本量很大：精算寿命表的汇总更紧凑。
  • 没有任何删失个案、只需比较典型时间：直接对时间做 Mann-Whitney U 检验更简单。
  • 数据来自复杂抽样设计：请使用复杂抽样 Cox 回归，因为此处不接受抽样权重。

在 Crosstabs 中如何操作

  1. 01

    打开数据

    打开每行一个个案的 .sav、CSV 或 Excel 文件，并切换到“统计”模式。文件在浏览器中解析。

  2. 02

    选择 Kaplan-Meier

    在“生存分析”组中选择 Kaplan-Meier（KM）。

  3. 03

    设置时间、状态和事件值

    选择数值型“时间”变量和“状态”变量，然后选择“表示事件已发生的值”；其余状态值均按删失处理。时间为负的个案会被排除。

  4. 04

    添加因子和分层

    可选择“因子（可选）”以按水平分别绘制曲线，并可选择“分层（可选）”变量，在每层内比较因子。

  5. 05

    选择比较方法

    在“比较因子水平”下勾选 Log Rank（Mantel-Cox）、Breslow（广义 Wilcoxon）和 Tarone-Ware；因子有三个及以上水平时，还可勾选“跨层成对比较”和“因子水平的线性趋势”。

  6. 06

    选择方法

    “方法”保持“输入”，或选择向前、向后逐步并指定条件、LR 或 Wald 剔除统计量（输入使用得分统计量），设置输入与剔除概率，并勾选需要“强制纳入模型”的协变量。

  7. 07

    按需添加时依协变量

    在“时依协变量 T_COV_（可选）”中输入含 T_（时间）的表达式，如 age * LN(T_)。它会在每个事件时间对每个处于风险中的个案求值；此时与 SPSS 一样不显示生存表和图。

  8. 08

    选择图形并运行

    将“图形”设为生存、1 减生存、风险（累积）或对数生存；如工作区设有权重，将其声明为频数权重，然后点击“运行”。

在浏览器中运行 Kaplan-Meier 生存分析

计算示例

以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。

用示例数据试一试

数据

60 名模拟订阅用户，月付与年付方案各 30 人。时间为距取消订阅（事件）的整月数；到第 24 个月仍在订阅或提前迁移的账户记为删失。时间由固定随机种子从指数分布生成。

个案处理摘要
方案总数事件数删失数删失百分比
年付30171343.3%
月付3026413.3%
总体60431728.3%
生存时间的均值和中位数
方案均值标准误95% 置信区间中位数标准误95% 置信区间
年付13.881.7310.48 – 17.28165.714.81 – 27.19
月付9.191.067.12 – 11.2671.044.96 – 9.04

当最大生存时间为删失时，均值限制在该时间内。未达到的中位数显示为 —。

总体比较
项目卡方df显著性
Log Rank（Mantel-Cox）5.8021.016
Breslow（广义 Wilcoxon）1.4751.225
Tarone-Ware3.0881.079

不同因子水平生存分布相等性检验。

结果解读

月付用户更早取消：月付用户的中位取消时间为 7 个月，年付用户为 16；限制性平均生存时间分别为 9.2 与 13.9 个月。Log Rank 检验 χ²(1) = 5.80，p = .016。Breslow 检验更重视早期事件时间，其 p = .225：两条曲线在最初几个月相互接近，随后才逐渐分开，而这正是 Log Rank 检验最敏感的模式。

输出表格说明

个案处理摘要
每条曲线及总体的总数、事件数、删失数和删失百分比。删失比例高意味着曲线后段依据的个案很少。
生存表
每个不同时间一行：风险人数、事件数、删失数、累积生存比例及其标准误、累积事件数和剩余个案数。
生存时间的均值和中位数
平均与中位生存时间及其标准误和 95% 置信区间。曲线始终未降到 0.5 时，中位数显示为 —。
百分位数
第 25、50、75 百分位生存时间及其标准误；第 25 百分位数是四分之一个案已发生事件的时间。
总体比较
各生存分布相等性检验的卡方、自由度和显著性；有分层时为跨层合并检验。
成对比较
每对因子水平以 1 个自由度检验。p 值未做多重比较校正，如有需要请自行做 Bonferroni 校正。

前提假设与注意事项

  • 删失为非信息性删失：退出随访的个案与继续随访者的未来风险相同。
  • 生存概率与个案进入研究的时间无关（不存在队列漂移）。
  • 事件时间测量足够精确；大量结值可以正确处理，但会使曲线阶梯变得模糊。
  • 工作区权重须声明为取整数值的频数权重；声明为抽样权重时该过程不会运行。

结果如何验证

在含频数权重的 150 例参考数据上，KM 引擎与 R survival 3.8.12（survfit 的生存率、Greenwood 标准误、限制性均值及其标准误）一致到 1e-10，与 R survdiff 的 Log Rank（含与不含分层）及 lifelines 0.30.3 的 Log Rank、Breslow、Tarone-Ware 一致到 1e-9；中位数、百分位数、趋势与成对检验则与按 SPSS KM 算法独立编写的 NumPy 实现一致到 1e-9。 验证证据（英文）

常见问题

应报告 Log Rank、Breslow 还是 Tarone-Ware？

Log Rank 对每个事件时间同等加权，在两组风险成固定倍数时检验效能最高。Breslow 按风险人数加权，更能发现早期出现、随后消失的差异。Tarone-Ware 介于两者之间。应在查看结果前确定主检验，其余作为敏感性分析报告。

为什么中位数显示为 —？

生存曲线始终没有降到 0.5，通常是因为在一半个案发生事件之前已有大量删失。此时可报告已达到的百分位数或限制性平均生存时间。

为什么平均生存时间比预期低？

当最长时间为删失时，均值被限制在该时间以内，因此会低估真实均值。只应在随访时长相近的组之间比较限制性均值。

分层变量会带来什么变化？

曲线在每个层内分别估计，因子检验合并各层内的比较结果，从而避免层间差异（如研究中心差异）被误当作因子效应。

能否在不上传的情况下分析患者数据？

可以。工作区在浏览器中读取文件并运行 KM，数据行不会发送到 Crosstabs 服务器。

相关过程

用你自己的数据运行 Kaplan-Meier 生存分析

打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。

打开分析工作区

SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。