Weibull 生存模型适用于研究设备故障或生物寿命的持续时间。当您需要超越简单的寿命描述，通过参数量化故障规律（如早期失效或磨损期）并进行平滑的生存预测时，该模型能提供精准的评估。它特别适合工程可靠性分析及不需要复杂多变量调整的纯生存数据分析场景。
从参数中洞察故障本质
Weibull 生存模型的核心优势在于将复杂的寿命数据转化为两个核心参数：特征寿命（lambda）和形状参数（rho）。这种参数化方式不仅能描述数据，更能解释数据背后的物理含义。
通过分析形状参数，您可以量化产品在不同生命阶段的风险水平。这种确定性的分析结果对于制定预防性维护计划或评估产品设计改进至关重要。
特征寿命与失效预测
该工具直接输出 lambda 参数，即 63.2% 的样本发生失效的时间点。相比于通过观测得到的平均值，这种基于统计分布的估计在处理包含大量删失（即测试结束时尚未失效）的数据时更加稳健。
除了中位生存时间外，您还可以查询特定时间点的存活概率。这使您能够基于当前数据，向未来推断产品在特定运行时间后的可靠性预期。
何时选择该模型
如果您关注的是纯粹的事件发生规律，而非多种变量（如年龄、剂量等）对生存的影响，则应优先考虑 Weibull 生存模型。它不仅具备高度的可解释性，还能提供包括 AIC 在内的统计指标，以便与 Log-Normal 或 Log-Logistic 等其他分布模型进行比较，从而筛选出最贴合您数据的分布假设。
1 · Intent → method
An LLM picks survival_weibull 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.
为什么 Weibull 生存模型比 Kaplan-Meier 方法更适合评估可靠性？
Kaplan-Meier 是一种非参数方法，仅描述当前观测到的生存曲线；而 Weibull 生存模型通过拟合参数，能提供更平滑的生存概率，并能直接计算出特征寿命和故障分布趋势，方便进行更深入的可靠性预测。
模型输出中的 shape 参数（rho）代表什么意思？
shape 参数（rho）描述了故障发生的动态趋势。当 rho < 1 时表示早期失效期；rho = 1 表示故障率为常数；rho > 1 则意味着设备进入了磨损期，故障频率随时间增加。
Tool 输入字段
Schema for survival_weibull not exported yet (run pnpm export:registry).