这个问题的一种解决方案是假设事件（如突发事件）的数量与时间成正比。如果您用$t$， 然后$\frac{E[y \vert x]}{t}=\exp\{x'\beta\}.$在这里，两倍长的后续操作将使预期计数增加一倍，其他条件相同。这可以在代数上等价于一个模型，其中$E[y \vert x]=\exp\{x'\beta+\log{t}\},$这只是泊松模型，系数为$\log t$受限于$1$. 您还可以通过放宽约束并测试以下假设来测试比例假设$\beta_{log(t)}=1$.

但是，这听起来不像您观察事件的数量，因为您的结果是二元的（或者考虑到您的疾病，它可能没有意义）。这使我相信具有对数偏移的逻辑模型在这里更合适。

这个数据集听起来像一个人年数据集，结果是一个事件（这是正确的吗？）并且在事件发生之前的跟进不均衡。在这种情况下，这听起来像是某种队列研究（假设我了解正在研究的内容），因此，泊松回归或生存分析可能是必要的（kaplan-meier 和 cox-比例风险回归）。