我一直在研究流失预测中生存分析的 Cox 回归方法。Cox 回归将允许我们确定订阅者在时间后退订的概率，由风险率定义：$t$

在哪里

• $h_0(t)$：基线风险是所有影响因素都为 0 时任何客户在时间 t 流失的先验概率。

• $\boldsymbol{\beta} \in \mathbb{R}^D$：每个系数的指数给我们一个危险比。这些应该是恒定的时间（比例假设）。

• $\boldsymbol{X}\in \mathbb{R}^{N\times D}$个样本客户的集合$N$

问题：比例风险假设：Cox 回归假设风险比应在时间内保持不变。例如，对于协变量 = "gender"，例如。时间后离开服务的概率比女性多。但是，这个中保持不变。$t$$X_1$$\beta_1=1.8$$80\%$$t$$80\%$$t$

这通常是对许多变量的不合理约束。但是还有其他方法可以合并不遵循比例风险假设的变量。

• 分层cox回归
• 伪观察
• 具有时间相关协变量的 cox 回归

我只是在阅读分层 cox 回归。这里唯一明显的缺点是：

• 分层的变量需要转换为分类变量
• 分层的分类变量不应该有太多的自由度。这将导致大量模型的参数需要估计。

问题：伪观察是否相似？它有更少/更严格的约束吗？即便如此，考虑到我有大量数据，它的性能如何？