做生存分析这件事，很多人的第一反应是“这是临床研究才用的东西”，或者“得先学懂一堆数学公式再说”。实际上，只要手里有Stata，哪怕你连风险函数、累计风险曲线这些名词都没听过，也能在十分钟内跑出像样的生存分析结果。我这些年用Stata做过不少生存数据建模，从最简单的单组生存曲线，到多因素Cox回归，再到亚组分析，核心步骤其实就那么几条命令，真正的难点反倒全在数据准备和结果解读上。
这篇文章的目标很明确：用极简的思路，带你完整走一遍Stata生存分析流程。你不需要提前啃统计教材，也不需要装一堆乱七八糟的外部命令包，我用的全部是Stata内置命令，版本从Stata 14到Stata 18都能跑。文章里我会先讲清楚生存分析到底在算什么，然后把数据格式、stset声明、KM曲线、Log-rank检验、Cox回归这些关键环节一个个拆开，中间穿插我实际踩过的坑和报错排查记录，最后再补几个高频实用技巧，比如亚组分析、宽表转长表，以及外部命令的安装逻辑。无论你是医学生、公卫从业者，还是社科、经管方向的研究生，这套流程拿过去就能直接用。
1. 捅破窗户纸：生存分析到底在干什么
1.1 生存分析的本质，其实就是三个问题
别被“生存分析”这四个字吓住，它的底层逻辑特别朴素。所谓生存数据，本质上包含三个信息：一个人或一个对象，从某个起点开始，到某个事件发生为止，经历了多长时间；到观察结束时，这个事件到底发生了没有；以及这个人或对象本身有哪些特征。回想一下你手上的数据，不管来自临床随访、设备寿命测试，还是用户流失分析，只要你能回答三件事——观察了多久、结局是什么、有哪些影响因素——你就能做生存分析。
我习惯用一个例子给学生讲这个问题：假设你想研究某种新药对术后复发的影响，每个病人从手术那天开始观察，记录他复发的时间；有些人观察期结束后还没复发，有些人中途失访了，还有些人因为其他原因去世了。对于没复发的、失访的、死于其他原因的，我们都只知道“至少到某个时间点还没复发”，但并不确定他未来会不会复发。这种数据，普通回归处理不了，因为你连“因变量”都不完整，但生存分析天生就是干这个的，它能把这种“不完整的信息”全部利用起来。
这也是生存分析区别于普通统计方法的根本原因：它不是只看事件有没有发生，而是把“事件发生的时间”也纳入建模。时间越长还没出事，本身就是一个信号。看设备故障也一样，一台机器运行了800天才坏，和一台运行了20天就坏了，信息量完全不同，如果只用一个0/1变量“坏没坏”来建模，等于把最有价值的时间信息丢掉了。
1.2 Stata做生存分析，真的不用额外装什么
不少人在网上搜“stata下载”“stata安装包”，第一反应是到处找资源，其实Stata的生存分析模块是内置的，根本不需要额外安装。核心命令就五个：stset、sts list、sts graph、sts test、stcox。前两个是数据声明和查看，中间两个做描述性分析和组间比较，最后一个做多因素回归。整个流程下来，你甚至不需要会写任何复杂的程序，只要会点鼠标或者敲几行命令就够了。
当然，有些场景确实需要外部命令，比如以后你想画更漂亮的森林图，或者做PSM倾向性评分匹配，或者像热词里提到的ftool命令，这些才需要通过ssc install或者findit去安装。但那是后话，对一篇极简入门来说，先把内置命令用熟比什么都重要。我用过太多版本了，从Stata 14到Stata 18，这几个生存分析命令的语法几乎没有变化，这意味着你学会一套，以后换电脑换版本都不用重新学。
2. 数据是爹：生存分析的数据准备与stset声明
2.1 三个关键变量，缺一个都不行
做生存分析之前，先检查你的数据里有没有这三个要素：时间变量、结局变量、分组或解释变量。时间变量是一个连续变量，表示从起点到事件发生或观察结束所经历的时间，单位可以是天、月、年，但整个数据集必须统一。结局变量通常用0和1编码，1代表事件发生了，比如复发、死亡、故障、流失；0代表删失，也就是到观察结束时事件还没发生。第三个是你要比较或研究的因素，可以是分组变量，也可以是年龄、性别、血压这类连续或分类变量。
这里我特别想强调一个我在实际中反复遇到的坑：很多人把结局变量的编码搞反，或者把删失和事件混在一起。比如有人图省事，把“未复发”编码成0，把“复发”编码成1，这没错；但有人把“失访”和“未复发”都编码成0，结果模型把失访的人当成“观察全程都没复发”来处理，时间信息会失真。正确的做法是，只要事件没发生，不管是因为观察期结束、失访还是其他原因，结局都记为0，同时保留它的观察时间。Stata并不知道你为什么删失，它只需要知道“这个人在这个时间点之前没出事”，剩下的交给统计模型处理。
2.2 用最大值最小值命令摸清数据底细
在声明数据之前，我强烈建议先花一分钟摸一摸数据的底细。最常用的就是summarize命令，配合detail选项看最大值和最小值。比如你的时间变量叫time，直接跑：
summarize time, detail输出里会给出时间变量的最小值、最大值、分位数、均值等一堆信息。这一步至少能帮你发现三类问题：时间变量有没有负数或0，时间变量的单位是不是混着天和月，有没有极端大值，可能是记录错误。我曾经处理过一份数据，time变量最大值显示是3650，结果一查发现有人的随访时间被录成了3650天，实际应该是365天，多按了一个0。如果没先看最大值就直接建模，整条曲线都会被这个异常值带偏。
另外，summarize配合return list还能把最大值、最小值提取出来备用。比如你想在数据清洗时把时间大于某个阈值的样本筛掉：
summarize time, detail local max_time = r(max) drop if time > 365*5这就用到了极简数据处理里的一个小技巧——先看范围，再决定清洗规则。生存数据里时间变量的质量直接决定分析质量，这一步千万别跳。
2.3 stset声明：让Stata听懂你的数据
Stata里做生存分析的第一步，永远是stset，它的作用就是告诉Stata：哪个变量是时间，哪个变量是结局，结局的编码是什么。基本语法长这样：
stset time, failure(status==1)这条命令的意思是：时间变量是time，结局变量是status，其中status==1代表事件发生。Stata收到声明之后，会自动帮你在后台生成一组生存分析专用变量，并用_st开头存起来。你可以通过stdescribe看看数据的基本情况，或者通过stsum看看不同组的观察人时、事件数、发病率。
stset这一步最核心的就是failure()这个选项，它决定了“什么才算事件”。有几种常见写法：
* 终点事件编码为1 stset time, failure(status==1) * 终点事件编码为某个具体数值，比如2 stset time, failure(status==2) * 不写failure选项，默认status==1为事件 stset time我个人的习惯是永远显式地写出failure()条件，哪怕默认值正好是1，也写出来，因为代码可读性更好，过三个月你再回来看脚本，一眼就知道当时的事件定义是什么。还有一个必填项要留意：如果数据里包含id变量，比如同一个病人有多次随访记录，建议加上id(idvar)选项，这能帮助Stata正确处理重复记录。多行数据一定要先搞清楚每条记录是一个样本还是一次随访，这决定了要不要指定id()，很多新手在这里翻车。
3. 极简三连：KM曲线、Log-rank检验与Cox回归
3.1 KM生存曲线：五步跑通，三步看懂
数据声明好之后，最直观的第一步就是画KM生存曲线。KM曲线，全称Kaplan-Meier生存曲线，本质上是把每个事件发生时间点上的存活概率连成一条阶梯线，每一步下降都对应一次事件发生。画图命令极其简单：
sts graph如果只有一个整体，这条命令会输出一条阶梯下降的曲线。想看分组对比，加上by()选项：
sts graph, by(group)出来的图就是两条或多条阶梯线，一眼能看出哪组“活得好”。但我一般会再补两个选项让它更好看、更实用。一个是failure，把纵轴从生存概率换成累积失败概率，也就是把曲线反过来看；另一个是ci，给曲线加上置信区间带。
sts graph, by(group) failure ci曲线输出之后，怎么读？我总结成三步：第一步看整体趋势，曲线是快速下降还是平缓下降，下降越陡说明事件发生得越早越集中；第二步看组间差距，两条曲线是早早分开、到后期又合拢，还是一直保持距离，前者提示早期效应，后者提示持续效应；第三步看阶梯的跳跃位置，在某个时间点出现一个大台阶，说明那个时间点附近有大量事件集中发生，比如临床上常见的术后30天、90天、1年复查节点。
这里有个细节值得单独说：sts graph默认会在删失点上画小短竖线，这对判断数据质量很有帮助。如果竖线特别多，说明删失比例高，你要有心理准备，后续统计检验的把握度可能不足。如果你不想显示删失标记，可以加noshowno之类的选项，但我不建议这么做，信息多一点没坏处。
3.2 Log-rank检验：两组差异到底显不显著
曲线分开看了，还需要一个统计量来回答“这个差异是不是真的，还是随机波动”。最常用的就是Log-rank检验，一句话命令：
sts test group输出会给出卡方值和P值。当P小于0.05，我们通常认为组间生存曲线差异有统计学意义。Log-rank检验的核心思想是：在每个事件发生时间点，计算各组的期望事件数，再和实际事件数对比，最后汇总成一个卡方统计量。它给所有时间点相同的权重，所以对后期差异比较敏感。
那有没有“不极简”但更灵活的替代？如果你发现两条曲线在早期就分开，后期又缠在一起，这时候Log-rank检验可能测不出来，因为它对早期差异不敏感。Stata提供了wilcoxon选项，用的检验对早期事件加更大的权重：
sts test group, wilcoxon我的经验是：常规场景优先看Log-rank结果，如果曲线明显早期分化而Log-rank不显著，再用Wilcoxon做敏感性分析，然后在一句话里报告两种结果。这样审稿人和导师都会觉得你想得比较周全。
3.3 Cox回归：多因素下看风险比
KM曲线和Log-rank检验说到底都是单因素分析，只能比较一个分组变量。要想同时校正年龄、性别、合并症等多个因素，必须上Cox比例风险回归。极简版命令：
stcox age gender group输出里最关键的是每行变量对应的HR值（风险比）、95%置信区间、P值。HR大于1表示该变量增加事件风险，小于1表示降低风险。比如group的HR是0.5，95%CI为0.3~0.8，P=0.004，意思是在校正了年龄和性别后，实验组的事件风险是对照组的一半。
这里我要多写几句关于Cox模型的理解。很多新手拿到结果只会念“HR=0.5，P<0.05”，但问一句“这个0.5是怎么来的”就答不上来。Cox模型不直接估计生存时间，而是估计风险函数，它默认不同个体在任何时间点的风险成固定比例，这就是“比例风险假定”。Stata提供estat phtest命令来检验这个假定是否成立：
stcox age gender group estat phtest, detail如果检验P值小于0.05，说明比例风险假定不成立，这时候结果需要谨慎解读，可以考虑加时变协变量或者分层Cox模型。不过对极简入门来说，先把基本结果跑对，再去考虑这些进阶问题，顺序不能乱。
4. 我踩过的坑：报错排查与曲线救国的现场实录
4.1 高频报错与排查速查表
用Stata做生存分析，最让人头疼的不是统计方法本身，而是莫名其妙的报错。我把自己踩过和帮别人解决的报错整理成了下面这张表，给正在被报错折磨的朋友一个快速定位入口。
| 报错信息 | 出现场景 | 排查思路 |
|---|---|---|
| invalid syntax | stset或sts命令 | 检查逗号位置、变量名是否含特殊字符，常见的是命令里漏了逗号 |
| no observations | sts list/graph | 数据是否为空；stset是否已执行；是否用了if条件但条件筛选后样本为0 |
| variable time not found | stset | 时间变量的名字写错了；注意大小写，Stata变量名区分大小写 |
| failure variable must be coded 0/1 | stset | 结局变量不是0/1或者存在缺失值；用tab status, missing检查 |
| r(198) invalid syntax | 任意命令 | 通常是命令拼写错误或安装了不兼容的外部命令，先查语法 |
| time variable has nonpositive values | stset | 时间变量里有小于等于0的值，生存时间必须为正数 |
第4条真的特别常见。很多数据里的status变量用的是1和2，比如1=存活、2=死亡，而不是0和1，这时候Stata会报错。解决办法是重新编码：
* 把1和2编码成0和1 recode status (1=0) (2=1), gen(event)或者更简单的，在stset里直接用failure(status==2)，根本不用改数据。这个小技巧帮我省了无数次重新编码的时间。
4.2 三个很容易被忽略的实操细节
第一个细节是时间单位的统一。很多数据集里的时间是东拼西凑出来的，有的人录天，有的人录月，还有人录年。如果混着用，KM曲线的时间轴会乱得没法看。我一般拿到数据先做一次单位校准，比如全部转换成天数：月数乘以30.44，年数乘以365.25。虽然不精确，但只要全数据统一转换，结果就一致可比。
第二个细节是删失比例过高的问题。如果一份数据里删失比例超过80%，KM曲线往往长期徘徊在高位，组间差异很难测出来。这不是代码问题，是数据本身的信息量不够。Stata的sts list可以输出各时间点的风险集人数，我建议在报告KM曲线时附上关键时间点的风险集人数（number at risk），这能直接反映后续曲线的可信度。
第三个细节是结果保存。很多人跑完stcox就直接把结果截图存进论文草稿，后面换数据重跑，图表全部要手动重做。强烈建议用est store和esttab把多个模型整理成一张表格：
est store m1 stcox age gender group est store m2 esttab m1 m2, b(%9.2f) ci(%9.2f) star(* 0.05 ** 0.01)这样模型结果就能一键导出成规范的三线表样式，避免手动誊抄出错。
5. 进阶小技巧：亚组分析、数据转换与命令扩展
5.1 亚组分析：按人群拆开看更清楚
“亚组分析”是近期热词，公共卫生和临床研究里尤其常用，核心思路是想知道某个效应在特定人群里是否更明显或更弱。在Stata里面，极简做法是用if条件限定样本范围。比如只分析男性：
stcox age group if sex==1或者只分析60岁以上人群：
stcox age group if age>=60这种写法的好处是极简、直观、不容易出错，坏处是如果亚组很多，比如按性别、年龄段、疾病分期拆出六七个组，就得写六七遍代码，效率低还容易复制粘贴出错。这时候我习惯用循环：
forvalues i = 1/3 { stcox age group if stage==`i' est store stage_`i' } esttab stage_1 stage_2 stage_3, b(%9.2f) ci(%9.2f)三行代码把三个分期亚组的模型全部跑完并汇总成一张表。这个思路也适用于KM曲线和Log-rank检验：先sts graph, by(group)看整体，再用if条件分组画亚组曲线。不过要提醒一句：亚组分析的样本量通常更小，跑出来的置信区间会很宽，解释时要特别克制，别把一个不显著的亚组结果讲成“有效趋势”。
5.2 宽表转长表：准备数据时长用的reshape
生存分析的数据结构经常是“一人一行”的长表，每个样本一行，包含时间、结局、协变量。但有时候你拿到的原始数据是宽表，比如每次随访记录成一列，这种情况下需要先reshape long转成一行一个观测才能做生存分析。
举个例子，宽表里每个病人有3次随访记录：
* id 是病人编号，f1 f2 f3 是三次随访的复发状态 reshape long f, i(id) j(followup)转成长表后，每个病人有3行数据。这时候就能用stset声明，并利用时间变量followup构造生存数据。宽表转长表这块儿，很多人卡在不知道j()该怎么写。记住一个口诀：j()后面跟的是“把多列变成长表后，那一列新变量叫什么名字”，比如j(visit)就是把f1、f2、f3的序号1、2、3存成变量visit。
如果你在做数据管理时还需要判断每个样本的最长随访时间，最大值最小值命令还能派上用场：
bysort id: egen max_followup = max(followup)这一行就给每个样本标记出他到底被随访到第几期，后面做时间相关变量构造非常方便。
5.3 外部命令与ftool：少走弯路地安装扩展命令
Stata内置命令覆盖90%以上需求，但总有偶尔要用的扩展命令。比如热词里的ftool，以及psmatch2、meta相关的网络meta分析命令，这些都需要自己安装。极简安装逻辑只有两条路：ssc install或findit。知道命令名字的时候直接用：
ssc install ftool不确定命令名字，只想搜索相关功能时用：
findit survival plotStata会打开一个搜索结果窗口，点蓝色的“click here to install”就能装上。这里有个经验：装外部命令前先看一眼它的依赖包，很多命令安装时会提示还需要装别的包，比如ftool可能依赖estout或moremata。遇到这种情况别慌，Stata的ssc install有时候会自动装依赖，如果没自动装，就手动把提示里出现的其他包也ssc install一遍，基本都能解决。
不过我要多说一句：极简生存分析的场景下，外部命令不是必需品。我见过不少人还没搞懂stcox就到处找美化KM曲线的外部命令，结果图是画好看了，底层的统计判断反倒说不清楚。先把内置命令吃透，需要进阶时再装扩展包，这个顺序才不会跑偏。
做生存分析这些年，我最大的一个体会是：统计软件只是工具，真正决定分析质量的永远是你对自己数据的理解。Stata的极简之处在于，它把复杂的生存分析压缩成了几个语义清晰的命令，但每个命令背后都有它的适用边界和前提假设。你不需要立刻弄懂所有数学推导，但至少要知道每一步在算什么、结果怎么解读、什么情况下结果可能不靠谱。把这几点做到位，生存分析这门手艺就算入门了。最后再分享一个小习惯：每次跑完分析，把stset声明、模型命令、结果表格完整地存档成一个.do文件，加好注释。三个月后回来看，你会感谢当时的自己。
