关于数据组织，您基本上是对的。如果您有这样组织的案例：

ID M1 M2 M3 EVENT

您可能希望重新组织数据，使其看起来像这样：

ID TIME EVENT
1  1    0
1  2    1
1  3    1
2  1    0
2  2    0
.  .    .
.  .    .

我称之为从宽格式到长格式的转换。使用函数在 R 中很容易完成，使用包reshape()更容易完成reshape2。

我个人会保留该ID领域，因为它可能用于识别混合效应模型中的变异来源。但这不是必需的（正如@BerndWeiss 指出的那样）。以下假设您希望这样做。glm(...,family=binomial)如果不是，请拟合一个没有随机效应项的类似模型。

R 中的lme4包将适合与您正在谈论的模型类似的混合效应逻辑回归模型，除了一个或两个随机效应来解释受试者之间系数的可变性（ID）。如果您的数据存储在名为df.

require(lme4)
ans <- glmer(EVENT ~ TIME + (1+TIME|ID), data=df, family=binomial)

这个特定的模型允许TIME和intercept系数在 ID 上随机变化。换句话说，这是嵌套在个体中的分层线性混合测量模型。

离散时间事件历史模型的另一种形式分解TIME为离散虚拟变量，并将每个虚拟变量作为参数拟合。这本质上是Cox PH 模型的离散情况，因为危险曲线不限于线性（或二次，或者您可以想象转换时间）。TIME但是，如果有很多离散时间段，您可能希望将它们分组为一组可管理的（即小的）离散时间段。

进一步的替代方案涉及转换时间以使您的危险曲线正确。之前的方法基本上可以让你不必这样做，但是之前的方法比这个（和我提出的原始线性案例）更简洁，因为你可能有很多时间点，因此会有很多讨厌的参数。

关于这个主题的一个很好的参考是 Judith Singer 和 John Willet 的Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence。

Singer 和 Willett 在这个主题上发表了很多文章。我强烈建议您阅读他们的一些论文。您可能还想获得他们的书“Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence”。显然是该领域最好的教科书之一。

对于大多数书籍章节，都有可用的R 示例代码（参见第 11 章），它演示了如何构建数据（“人周期格式”）以及如何分析这种数据。对于标准离散时间模型，您不需要 ID 变量，也不需要按照@ndoogan 的建议估计混合效应模型。一个简单的glm(event ~ time + ..., family = "binomial")作品就好了。Singer 和 Willett 还讨论了如何对时间变量（线性、二次等）建模的许多问题

引用我强烈推荐的另外两个参考资料：

• Allison (1982)：“事件历史分析的离散时间方法”( PDF )（Allison 文章还讨论了为什么可以使用标准 glm 而不是混合效果模型）
• Mills (2011)：“介绍生存和事件历史分析”

您可以将时间时间分成多个间隔并执行多周期 logit 模型，如Shumway (2001)中所述。例如，您的时间间隔是。我已经在 R 中实现了这一点，如果您在生存分析中使用的典型停止事件设置中有初始数据，则直接适用。做请注意，所得模型的 t-stats 没有 Shumway (2001) 中提到的校正。$(0, 1], (1, 2], \dots$dynamichazard::static_glm

此方法与带有时间假人的 @ndoogan 不同，因为您在所有时间段中只能获得一个常见的截距dynamichazard::static_glm。但是，您可以通过dynamichazard::get_survival_case_weights_and_data使用参数调用来获得每个时期的use_weights = FALSE虚拟，自己将时间虚拟指标添加到返回的值中data.frame，然后调用 eg glm。

这称为“计数过程”数据。Survival 包有一个非常好的 tmerge() 函数。插入时间相关或累积协变量并相应地划分后续时间非常有用。这个小插图很好地解释了这个过程