随着时代的发展与人们对健康的追求,人们对如何准确而高效的预测病人生存时间,癌症的复发时间或其他类型的生存数据等等更为关心。特别随着基因工程的发展,影响一种疾病的因素可能有好几百种甚至上千种,从大量诊断因子中选出对疾病有重要影响的因子已经变成了药物搜索的焦点。针对如何识别出真正具有预测性因子的研究,需要统计方法去对右删失和高维协变量数据进行处理,从而建立合适的生存模型。加速失效时间回归模型(AFT模型)以及Cox比例风险回归模型(Cox PH模型)是生存分析的两大经典模型。而因为AFT模型中响应变量直接与协变量建立模型,所以一般认为AFT模型比Cox PH模型有更好的解释作用。AFT模型是回归部分通过一个已知的连接函数对响应变量总体来进行回归,但是这类规定了连接函数形式的模型可能不是能非常准确的描述数据,会造成不可避免的误差。根据数据来估计连接函数从而建立模型比用数据去拟合已知连接函数的模型理论上来说更为准确。首先,提出本文的模型,此模型是在AFT模型的基础上改进而来,不像传统的AFT模型规定了连接函数,本文选用不指定响应变量与协变量之间的连接函数,而是通过实际数据去估计连接函数的方法来建立模型,从而得到最准确的模型。对于连接函数的估计使用核方法来对其进行估计。其次对于模型的估计,因为生存数据中删失数据的存在,为了使估计结果更准确,采用STUTE’s加权最小二乘法,即将Kaplan-Meier权重加入线性回归的观察值中。但此方法在删失数据比例高的情况下的效果不是很理想,因为删失生存时间的K-M权重为“0”,删失生存时间并没有直接用到回归中。为了改善这种情况,介绍了T.Cai.等在2008年提出的删失限制方法,即将删失数据作为一个限制条件加入到目标函数中。此外,选用LASSO惩罚来对模型系数进行稀疏处理,也就是对高维协变量进行降维。最后,在目标函数确定后,用一个LASSO的新算法和核估计进行迭代估计设计一个新算法来完成模型选择和连接函数的估计等。仿真结果和实际数据分析表明,我们的模型具有能识别真正对响应变量有影响的解释变量的功能,而且比AFT模型具有更高的准确率。