生存時間分析において、第10.1項で扱ったカプラン・マイヤー法はデータの背後にある確率分布を仮定しない「ノンパラメトリック手法」であり、第10.2項のCox比例ハザードモデルはベースラインハザードに特定の分布を仮定しない「セミパラメトリック手法」でした。これらに対し、生存時間（または故障までの時間）のデータが特定の確率分布（指数分布、ワイブル分布など）に従うと仮定してモデルを構築するアプローチを「パラメトリック生存時間モデル」と呼びます。
分布を仮定することによる最大の利点は、データが存在しない未来の期間に対する外挿（予測）が可能になる点と、ハザード（瞬間死亡率・瞬間故障率）の形状について数理的なメカニズムを直接的に評価できる点にあります。本項では、パラメトリックモデルの理論的背景と、信頼性工学などの実務における適用事例について解説します。
1. 生存時間分析における手法の比較
パラメトリックモデルの位置づけを明確にするため、これまでに学習した手法との比較を以下の表に整理します。
| 手法 | モデルの分類 | ベースラインハザードの仮定 | 主な適用目的・特徴 |
|---|---|---|---|
| カプラン・マイヤー法 | ノンパラメトリック | 一切仮定しない | 生存曲線の記述的推測、群間比較（ログランク検定）。共変量の効果は分析不可。 |
| Cox比例ハザードモデル | セミパラメトリック | 仮定しない（未定のまま計算） | 複数の共変量がハザードに与える影響（ハザード比）の評価。分布に依存しないため汎用性が高い。 |
| パラメトリックモデル | パラメトリック | 特定の確率分布を明示的に仮定 | 生存時間の絶対値の予測、データ期間外への外挿、故障メカニズムの特定。仮定が正しい場合は最も推定精度が高い。 |
2. 主要な確率分布とハザード関数の形状
パラメトリックモデルでは、対象となる事象（死亡、離反、機械の故障など）の特性に合わせて、適切な確率分布を選択することが不可欠です。時間 $t$ における確率密度関数を $f(t)$、生存関数を $S(t)$ としたとき、ハザード関数 $h(t)$ は $h(t) = f(t) / S(t)$ で定義されます。
指数分布（Exponential Distribution）
最も単純なパラメトリックモデルです。ハザードが時間に依存せず常に一定である（無記憶性）と仮定します。パラメータを $\lambda > 0$ とすると、以下の式で表されます。
- ハザード関数: $h(t) = \lambda$
- 生存関数: $S(t) = \exp(-\lambda t)$
この分布は、偶発的な事故による死亡や、電子部品のランダムな故障など、時間経過による劣化（摩耗）が生じない事象のモデリングに適用されます。
ワイブル分布（Weibull Distribution）
指数分布を拡張し、ハザードが時間とともに単調に増加、または単調に減少する状態を表現できる非常に柔軟な分布です。形状パラメータを $\gamma > 0$、尺度パラメータを $\lambda > 0$ とします。
- ハザード関数: $h(t) = \lambda \gamma t^{\gamma-1}$
- 生存関数: $S(t) = \exp(-\lambda t^\gamma)$
形状パラメータ $\gamma$ の値によって、事象のメカニズムを解釈できます。
- $\gamma < 1$: 初期故障期（ハザードが時間とともに減少）。初期不良など。
- $\gamma = 1$: 偶発故障期（指数分布と完全に一致し、ハザードは一定）。
- $\gamma > 1$: 摩耗故障期（ハザードが時間とともに増加）。機械の経年劣化や老衰など。
対数正規分布 / 対数ロジスティック分布
ハザードが単調な変化ではなく、「ある時期にピークを迎え、その後減少する」ような現象（例：手術後の急性期合併症リスクや、特定期間の解約リスク）をモデル化する際に用いられます。これらは比例ハザード性を満たさないため、後述するAFTモデルの枠組みで主に使用されます。
3. 加速寿命モデル（AFT: Accelerated Failure Time model）
Coxモデルが「共変量によってハザード（事象の発生率）が定数倍される」という比例ハザード（PH）性を仮定するのに対し、パラメトリックモデルの多くは「共変量によって生存時間そのものが伸縮される」という加速寿命モデル（AFT）の枠組みで定式化されます。
AFTモデルでは、生存時間 $T$ の対数を目的変数とし、共変量 $X$ の線形結合として以下のように表現します。
$$
\log(T) = \beta_0 + \beta_1 X_1 + \dots + \beta_p X_p + \sigma \epsilon
$$
ここで、$\sigma$ はスケールパラメータ、$\epsilon$ は仮定された分布（例えば極値分布など）に従う誤差項です。AFTモデルにおける係数 $\beta$ は、指数変換 $\exp(\beta)$ することで「時間比（Time Ratio: TR）」として解釈されます。
例えば、ある機械の温度（共変量 $X$）に関する係数が $\beta = -0.693$ だった場合、$\exp(-0.693) \approx 0.5$ となります。これは「温度が1単位上がると、生存期間（寿命）が0.5倍に短縮される（時計の進みが2倍に加速する）」という物理的・直感的な解釈を可能にします。
4. パラメータの推定と打ち切りデータの処理
パラメトリックモデルの推定には最尤法（Maximum Likelihood Estimation）が用いられます。生存時間分析に特有の「右側打ち切り（Right Censoring）」データを適切に尤度関数に組み込むため、次のような定式化を行います。
観測データにおいて、事象が発生した個体のインデックス集合を $U$（Uncensored）、打ち切りとなった個体のインデックス集合を $C$（Censored）とします。事象発生個体からは確率密度 $f(t)$ の情報が、打ち切り個体からは「少なくとも時間 $t$ までは生存していた」という生存関数 $S(t)$ の情報が得られます。したがって、全体の尤度関数 $L$ は以下の積として構築されます。
$$
L = \prod_{i \in U} f(t_i) \prod_{j \in C} S(t_j)
$$
この尤度関数を最大化するパラメータ（$\lambda, \gamma, \beta$ など）を数値最適化によって探索します。このように打ち切りの情報を数理的に無駄なく活用できる点が、生存時間モデルの統計的厳密性を担保しています。
5. 【事例】データセンターにおけるHDDの信頼性評価
パラメトリックモデル（特にワイブル分布）が実務においてどのように活用されるか、信頼性工学における故障物理モデルの事例を用いて解説します。
背景：
あるデータセンターにおいて、サーバー群に搭載されているハードディスクドライブ（HDD）の新しいモデル「Type-B」の導入を検討しています。テスト稼働として1000台のType-Bを導入し、1年間の稼働データを収集しました。比較対象として、既存モデル「Type-A」のデータも存在します。目的は、Type-Bの寿命特性を定量化し、5年後の残存率を予測することです。
分析アプローチ：
1年間の稼働データには多数の「故障していない（右側打ち切り）」HDDが含まれています。このデータに対し、ワイブルAFTモデルを当てはめ、最尤推定を行いました。
分析結果と解釈：
- 形状パラメータ $\gamma$ の評価：
推定されたType-Bの形状パラメータは $\gamma = 1.8$ でした。$\gamma > 1$ であることから、Type-Bの故障は初期不良やランダムなトラブルではなく、使用時間に応じた「摩耗劣化（経年劣化）」が主因であることが特定されました。これにより、一定期間経過後の予防交換（プレベンティブ・メンテナンス）が有効であるという工学的な根拠が得られました。 - 外挿による中長期予測：
推定されたワイブル分布の生存関数 $S(t) = \exp(-\lambda t^{1.8})$ に $t = 5$（年）を代入することで、テスト期間（1年）を超えた「5年後の稼働維持確率」を算出しました。ノンパラメトリックなカプラン・マイヤー法では観測期間外の予測は不可能ですが、パラメトリックモデルの数理的仮定を利用することで、長期的な部品調達計画の策定が可能になります。 - 共変量の評価（Time Ratio）：
設置ラックの温度変動幅を共変量として加えた結果、温度変動が寿命に与える時間比（TR）が 0.82 と推定されました。これは、温度変動が一定基準を超えると、HDDの寿命が実質的に18%短縮されることを意味し、空調管理の最適化の重要性を定量的に示しました。
6. モデル評価と分布の妥当性確認
パラメトリックモデルの推定結果が有意義であるためには、仮定した確率分布がデータに適合している必要があります。その妥当性を確認するためには、以下の手法が用いられます。
- 情報量規準（AIC, BIC）： 指数分布、ワイブル分布、対数正規分布など、異なる分布を仮定したモデルをそれぞれ構築し、AIC（赤池情報量規準）の値を比較します。AICが最も小さい分布が、データに最も適合していると判断されます。
- 視覚的診断（ワイブル確率紙 / 対数・対数プロット）： 生存時間の対数 $\log(t)$ に対して、カプラン・マイヤー推定量から得られた $\log(-\log(S(t)))$ をプロットします。このプロットが直線上に乗る場合、ワイブル分布の仮定が妥当であると視覚的に評価できます。
まとめ
パラメトリック生存時間モデルは、データ生成の背後にある確率的メカニズム（分布）を明示的に数式化することで、カプラン・マイヤー法やCox比例ハザードモデルにはない「データ期間外の予測（外挿）」や「時間比（加速係数）による直感的な解釈」を可能にします。事象の性質（摩耗か、ランダムか、初期不良か）に関する専門知識と、赤池情報量規準等による統計的なモデル選択を組み合わせることで、信頼性工学や医療統計などの高度な意思決定において極めて有用な結果をもたらします。
