当您想了解不同因素（如治疗方案或设备规格）如何按比例加速或减慢事件发生的时间时，应使用加速失效时间模型。与仅分析风险的工具不同，该方法能直接估算出各因素带来的“寿命倍数”，并支持在数据观察期外进行科学预测。
理解时间比（Time Ratio）
该方法的核心指标是时间比（Time Ratio）。通过对生存时间进行指数化处理，模型能计算出每个变量如何改变事件发生的进程。当时间比大于 1 时，意味着该因素起到了“减速”作用，即延长了生存时间；反之，若小于 1，则代表“加速”了事件发生，缩短了寿命。
这种解读方式比相对风险（HR）更符合直觉，特别是在工业设备寿命预测或慢性病生存分析中，业务方往往更关心“平均寿命延长了多少个月或多少小时”。
全参数估计的预测优势
不同于非参数化方法，该模型会对生存数据的分布形状进行参数化建模。通过设置分布假设（如常用的 Weibull 分布），模型可以平滑地拟合生存曲线，即使在样本量较小的情况下，也能提供更稳健的参数估计。
利用模型输出的形状参数和尺度参数，您可以直接推导出任意时间点的生存概率，甚至可以在现有观测窗口之外进行合理的数值外推，这对于评估长期可靠性或长周期随访研究非常关键。
模型的可靠性边界
为了保证统计结果的严谨性，该方法内置了自动化的检查流程。系统会监测模型是否收敛以及参数是否存在逻辑异常。如果观测到的失效事件过少或形状参数超出合理区间，系统会发出警告，避免产生误导性的统计结论。
在使用时，请务必明确事件的编码规则，即确认哪个数值代表“发生事件”（如故障、死亡、流失），哪个数值代表“删失”（如失访、研究结束时未发生事件）。确保数据编码清晰是获得准确模型结果的前提。
1 · Intent → method
An LLM picks survival_aft from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
加速失效时间模型与 Cox 回归有什么主要区别？
Cox 回归是半参数模型，主要衡量事件发生的相对风险（HR）；而加速失效时间模型是全参数模型，直接建模生存时间，输出的是时间比（Time Ratio），能告诉您因素具体让寿命延长或缩短了多少倍。
如果模型提示“形状参数异常”或“拟合未收敛”该怎么办？
这说明您选择的分布（如 Weibull）可能不适合当前数据特征。此时应检查输入数据的逻辑（如是否存在负数时间），或者尝试切换其他分布模型（如 Log-Normal），并在 Lattice 中重新运行分析。
Tool 输入字段
Schema for survival_aft not exported yet (run pnpm export:registry).