每一个实验对象仅仅被观测一次,并且它的生存时间要么比观测时间小要么比观测时间大,这时候就产生了现状数据。这样的现状数据是经常会发生的,例如,横断面研究,人口调查,和肿瘤研究实验等,而且在这些研究中,现状数据的分析经常会用到一些半参数方法和非参数方法。然而,大部分的半参数方法和非参数方法只适用于观测时间完全独立于生存时间或者是给定的协变量的情况。这篇文章讨论的是当观测时间可能依赖于生存时间时,对现状数据进行回归分析,并且在生存时间的风险函数模型是加法脆弱风险回归模型,观测时间的风险函数模型是乘法脆弱风险模型的假设条件下对模型的回归参数进行估计。为了估计回归参数,把观测时间分为两种情况:一种是不带删失时间的情况,一种是带删失时间的情况,并且引进了表示生存时间和观测时间关系的随机效应。在参数估计中,运用了类似于求解极大似然估计的方法——最大偏似然估计,这种方法是通过求解得分函数来得到参数的估计的。求解到参数估计后,我们又对其性质进行了推导,具有和最大似然估计方法同样的性质,得到的参数估计同样是渐近正态、渐近有效的。之后我们通过用R软件很容易地对具有删失时间和不具有删失时间的情况进行了模拟实验,对于具有删失时间的情况,又根据删失比例分为了两种情况:一种是删失比例是20%,一种是删失比例是60%。我们又把模型的结果应用在了肿瘤实验数据的分析中,最后得到的结论和实际是相合的。最后是论文的创新点:对文章中得到的结论进行了模型敏感性的验证。在模拟实验中,通过改变生成观测时间的函数的模型,验证了结论对模型的依赖性。