Tutz and Schmidt, Modeling Discrete Time-to-Event Data , Springer, 2016的第 3.3.2 节解释了这种特殊情况，稍作修改。

假设有一个潜在的连续时间比例风险 (PH) 模型，但故障仅在时间间隔内编码，例如事件被编码为发生在$T=t$如果是发生在$[t-1,t)$. 然后用协变量向量$x$和回归系数$\beta$离散风险$\lambda(t|x)=P(T=t|T\ge t,x)$可以写成

其中固定时间系数$\gamma_{0t}=\log (\Lambda_0(t)-\Lambda_0(t-1))$和$\Lambda_0(t)$是基础连续时间 PH 过程的累积基线风险函数。这是互补对数对数 (Gompertz) 模型的形式，如此处所述。这称为“分组比例风险模型”。

然而，有多少“计算/技术困难”被避免了，还不是很清楚。与连续时间 Cox 模型不同，其中基线危险有效地从最大部分似然计算中消失，这种固定时间效应离散方法需要估计基线危险（如参数化$\gamma_{0t}$) 在每个区间端点以及回归系数值的估计。对于这个问题中设想的面板数据类型，这不是一个大问题。除了链接函数之外，它与标准离散时间生存模型没有什么不同，标准离散时间生存模型对面板数据使用逻辑回归，时间建模为固定效应。

当每个人都有自己的间隔审查时间时，这种方法会出现“计算/技术困难”，如 Finkelstein 最初将 PH 模型改编为间隔审查 ( Biometrics 42: 845-854, 1986 )。这发生在例如癌症疾病进展的建模中，当在患者之间不一致的临床预约时间检测到访视进展时。在那种情况下$N$您可能需要估计多达$2N$除了主要感兴趣的回归系数值之外，基线风险函数的有害值（每个患者的事件包含区间的两端都有一个）。icenReg这就是为什么需要像软件包中的那些工具一样的原因。