通常，基线年龄用作协变量（因为它通常与疾病/死亡相关），但它也可以用作您的时间尺度（我认为它用于一些纵向研究，因为您需要有足够的人们在时间尺度上处于危险之中，但我实际上不记得了——刚刚发现这些幻灯片关于分析队列研究假设一个连续的时间尺度讨论队列研究）。在解释中，您应该用年龄替换事件时间，并且您可以将诊断时的年龄作为协变量。当您研究特定疾病的年龄特异性死亡率时，这将是有意义的（如这些幻灯片中所示）。

也许这篇文章很有趣，因为它将学习时间与实际年龄这两种方法进行了对比：考克斯模型中的时间尺度：进入年龄的变异性对系数估计的影响。这是另一篇论文：

Cheung, YB, Gao, F 和 Khoo, KS (2003)。癌症流行病学中诊断年龄和生存分析方法的选择。临床流行病学杂志，56（1），38-43。

但肯定有更好的论文。

不，它并不总是必须是时间。许多删失的反应可以用生存分析技术建模。在他的书中Nondetects and Data Analysis中，Dennis Helsel 提倡使用负浓度来代替时间（为了应对 nondetects，当被否定时会变成右删失值）。Web 上提供了概要（pdf 格式），R 包NADA实现了这一点。

在年龄尺度与时间尺度问题上，chl 有一些很好的参考资料并抓住了要点——特别是要求高危人群包含来自所有年龄段的足够多的受试者，这在纵向研究中会出现。

我只想指出，对此尚未达成普遍共识，但有一些文献表明，在某些情况下，应该首选年龄作为时间尺度。特别是，如果您遇到所有受试者的时间累积方式不同的情况，例如由于接触某些有毒物质，那么年龄可能更合适。

另一方面，您可以在时间尺度 Cox PH 模型上处理该特定示例，方法是将年龄用作时变协变量，而不是开始时的固定协变量。您需要考虑研究对象背后的机制，以确定哪个时间尺度更合适。有时值得将两个模型都拟合到现有数据中，以查看是否出现差异以及如何在设计新研究之前解释它们。

最后，分析两者的明显区别在于，在年龄尺度上，生存的解释是相对于绝对尺度（年龄），而在时间尺度上，它是相对于研究的开始/进入日期.

根据 OP 的要求，这是我在空间环境中使用的另一个应用程序（尽管与 whuber提到的测量环境物质明显不同）正在模拟空间事件之间的距离。这是犯罪学中的一个例子，这是流行病学中的一个例子。

使用生存分析来测量事件之间的距离背后的原因并不是说审查问题（尽管审查肯定会在空间环境中发生），更重要的是因为事件时间特征和事件之间的距离之间的分布相似特征（即它们都具有违反 OLS 的相似类型的错误结构（通常是距离衰减），因此非参数解决方案对两者都是理想的）。

由于我糟糕的引用习惯，我不得不花费数小时找到正确的链接/对上述链接的引用。

以犯罪学为例，

菊池、乔治、雨宫守、斋藤友典、岛田孝仁和原田丰。2010.日本近乎重复受害的时空分析。第八届全国犯罪测绘会议。吉尔丹多犯罪科学研究所。PDF 当前可在参考网页上找到。

在流行病学中，

读者，史蒂文。2000. 使用生存分析研究地理流行病学中的空间点模式。社会科学与医学 50 (7-8): 985-1000。