在參數模型中檢驗比例風險假設
我知道在 Cox PH 模型的背景下測試比例風險假設，但我沒有遇到任何與參數模型相關的事情？是否有可行的方法來測試某些參數模型的 PH 假設？
似乎應該認為參數模型與半參數 Cox 模型僅略有不同？
例如，如果我想擬合 Gompertz 死亡率曲線（如下所示），我將如何測試 PH 假設？
我想一般來說我要問的是：對於參數生存模型，有哪些方法可以評估模型的擬合優度以及測試模型的假設（如果有）？
我是否需要檢查參數模型中的 PH 假設，還是僅適用於 Cox 模型？
完整的答案取決於參數生存模型的性質。
如果您的參數模型以某種方式合併協變量，即任何兩組協變量的相對風險隨著時間的推移呈固定比例（正如您的 Gompertz 模型似乎那樣），那麼您的參數模型正在做出必須驗證的隱式比例風險假設以這種或那種方式。正如@CliffAB 的回答指出了參數模型假設的特定基線危險：
Cox-PH 模型擬合具有 A) 比例風險和 B) 任何基線分佈的模型。如果與 A) 比例風險和 B) 任何基線要求的最佳擬合不合適，那麼具有 A) 比例風險和 B) 非常具體的基線的模型也將不合適。
這建議您首先嘗試 Cox 生存回歸來測試風險的比例性。如果 Cox 回歸確定的經驗基線風險違反了假設，那麼繼續使用任何隱含假設比例風險的參數模型就沒有什麼意義了。如果您可以繼續使用這樣的參數模型，除了@Theodor 提出的建議外， R 包還提供了幾種類型的殘差，用於使用對象方法
survival評估參數模型。residuals()``survreg或者，如果您的模型以將非比例風險作為協變量值的函數（例如，不同的基線風險形狀）提供非比例風險的方式合併了一些協變量，則無需針對這些協變量專門測試比例風險。對這些協變量進行分層將允許對假定涉及比例風險的協變量進行比例風險測試。您當然需要測試數據與模型假設的匹配程度，但只要不假設（顯式或隱式）比例風險，則不需要對其進行測試。
有關進一步的背景知識，Harrell 的回歸建模策略第 18 章專門用於構建和評估參數生存模型；可以在他免費提供的課程筆記中的示例中找到有關該主題的更神秘但有用的介紹。