生存分析方法最初为参数模型（Parametric Model），它可以估计出影响因素对风险率的影响及各时点的生存率，但对生存时间分布有一定的要求，但该类模型假设生存数据服从某个已知分布，使用参数分布方法进行生存分析，常用的参数模型有指数分布、Weibull分布、对数正态分布、对数Logistic分布、Gamma分布等。当没有很好的参数模型可以拟合时，则采用非参数方法进行生存分析，寿命表分析和Kalpan-Meier方法均为非参数模型。1972年，英国统计学家D. R. Cox提出了一个半参数模型（Cox回归模型）。相比而言，半参数方法比参数方法灵活，虽不能给出各时点的风险率，但对生存时间分布无要求，可估计出各研究因素对风险率的影响，比非参数方法更易于解释分析结果，于是得到了更为广泛的应用，也是目前比较流行的生存分析方法。
综上所述，按照使用参数与否，生存分析的方法可以分为以下3种：
1）非参数方法：当没有很好的参数模型可以拟合时，采用非参数方法进行生存分析。常用的非参数模型包括生命表分析和Kalpan-Meier方法。
2）参数方法：假设生存数据服从某个已知分布，使用参数分布方法进行生存分析。参数方法按照是否满足比例风险假定，分为比例风险模型、加速失效时间模型。
其中比例风险模型主要包括指数分布模型、Weibull分布模型、Gompertz模型、广义Weibull模型，4种模型均为参数模型，均使用最大似然法估计，比例风险模型需要满足比例风险假定，主要研究解释变量对风险函数的作用，模型中解释变量的系数表示某个解释变量增加一个单位，将导致风险函数平均增加百分之多少，不含解释变量的风险函数通常被称为基准风险。
加速失效时间模型主要包括对数正态回归分布模型、对数逻辑分布模型、Gamma分布模型。与比例风险模型不同的是，加速失效时间模型主要研究解释变量对平均生存时间（从关注事件未发生到发生平均经历的时间）的影响，模型中解释变量系数的含义是某个解释变量增加一个单位，能使平均生存时间增加百分之多少。所以针对同一数据文件，比例风险模型和加速失效时间模型中解释变量的系数通常相反。
注意
在一些研究中，指数分布模型、Weibull分布模型既是比例风险模型又是加速失效时间模型，但在Stata中，指数分布模型、Weibull分布模型默认为比例风险模型，相应命令产生的结果需要按照比例风险模型进行解读。
3）半参数方法：目前比较流行的生存分析方法，前面介绍的参数模型需要对风险函数的具体形式做出假设，再用最大似然法估计，但是截堵数据可能会导致风险函数设置错误, 导致出现不一致的MLE估计。Cox（1972, 1975）以比例风险模型为基础提出了半参数模型，相比而言，半参数方法比参数方法灵活，比非参数方法更易于解释分析结果。所以常用的半参数模型主要为Cox模型（也称Cox PH模型）。
Cox回归为时间事件数据建立预测模块，该模块生成生存函数，用于预测被观察事件在给定时间 t 内发生预测变量既定值的概率。与回归分析的基本思想一致，可以从既有样本观测值中估计出预测的生存函数与相应的回归系数，然后可以对新样本观测值进行预测。需要注意的是，已检查主体中的信息，即未在观察时间内经历被观察事件的信息，在模型估计中起到了重要的作用。Cox 回归的优点包括：可以估计生存函数，可以比较两组或多组生存分布函数，可以分析危险因素对生存时间的影响，可以建立生存时间与危险因素之间的关系模型，不需要事先知道生存时间的分布等。
一般情况下，生存分析的步骤是：
1）设置生存分析数据，即告诉Stata我们的数据文件为生存分析数据，探索数据文件的基本特征。
2）通过绘制生存函数、累积风险函数或风险函数进行非参数分析。
3）可以进行参数回归（含比例风险模型、加速失效时间模型）。
4）可以进行Cox 回归。
5）进行比例风险假定的检验，确定最终模型。
