当变量x为二进制时，很容易通过survfit（Surv（time，status）〜x）获得两个危险函数的图。

但是，假设我要非参数地估计和绘制连续变量的两个不同值的危害。我这样做是在使用Cox PH回归之前以图形方式检查比例性。 survfit（）函数似乎不允许您这样做。

这是我的模拟数据：

set.seed（2）

n = 200

lambda = 1

beta = 0.5

cr = 0.3; ＃正确的审查率为30％＃

审查时间：

N = 1000000

A = runif（N，0,1）

X = runif（N，0,1）

T = -log（A）/（lambda exp（beta X））

C = quantile（T，probs = 1-cr）;

生成数据

x = runif（n，0,1）;

a = runif（n，0,1）;

t = -log（a）/（lambda exp（beta x））;

time = pmin（t，C）;

status = 1 *（t <= C）;

dat = data.frame（时间，状态，x）