每当您的任务包括诸如“...当 XY 将失败...”之类的内容时，我会说先进行生存分析，它既简单又快速，它会给您提供数据的概览。

使用您的数据，您可以将它们转换为能够绘制生存曲线的区间，或者直接进行 Cox 回归，该回归可以处理连续数据并产生风险比。

您可以从 Kaplan-Meier 曲线开始（作为奖励，有置信区间）：

km <- survfit(Surv(datetime, Failed) ~ 1,conf.int=0.90, conf.type="log-log", data=Dataset)
summary(km)
plot(km, xlab="month", ylab="estimated S(t)", main="Kaplan-Meier with log-log, C.I.=90%")

曲线看起来有点像这样：

此外，您可以拆分曲线以查看是否有任何参数具有不同的影响。你可以通过简单地用类似的~1东西替换~AttributeX

所以你应该得到这样的情节：

当然，R 也会为您提供各种检验和 p 值，例如 Log-Rank 以验证影响是否显着（survdiff）。

然后您可以继续进行 Cox 回归，它会告诉您风险比是多少（=该属性对风险的影响是正面还是负面以及程度如何）。在 R 中看起来像这样：

cox<-coxph(Surv(datetime, Failed)~AttributeX, data=pbc)
summary(cox)

验证假设 - 比例风险和函数形式是一种很好的做法（同样，R 将为您提供 p 值，或者您可以绘制残差 - Martingale 或 Schoenfeld）。

如果您有兴趣知道事件何时发生，请搜索 Accelerated Failure Time 模型，该模型将为您提供参数生存时间分布，您可以在其中简单地输入时间并获得概率。

在 R 中：

wei<-survreg(Surv(datetime, Failed)~ AttributeA + AttributeB + AttributeC,data=Dataset) 

有更多可能的分布，您可以检查哪一个最适合您的数据。我从未做过预测，但是文档predict中描述了一个函数，或者已经有类似的问题与 Crossvalidated 的答案类似，例如this。