เปรียบเทียบวิธี

	การถดถอยแบบเบย์ (Bayesian Regression)	ตัวประมาณค่าการรอดชีพแบบแคปแลน-ไมเออร์	การถดถอยแบบพาราเมตริกแบบ Weibull
สาขาวิชา	เบย์	การวิเคราะห์การอยู่รอด	การวิเคราะห์การอยู่รอด
ตระกูล	Bayesian methods	Survival analysis	Survival analysis
ปีกำเนิด	—	1958	1951
ผู้ริเริ่ม	—	Kaplan, E. L. & Meier, P.	Waloddi Weibull
ประเภท	Bayesian linear model	Non-parametric survival estimator	Fully parametric survival regression model
แหล่งต้นตำรับ	Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955	Kaplan, E. L. & Meier, P. (1958). Nonparametric Estimation from Incomplete Observations. Journal of the American Statistical Association, 53(282), 457–481.	Kalbfleisch, J. D. & Prentice, R. L. (2002). The Statistical Analysis of Failure Time Data (2nd ed.). Wiley.
ชื่อเรียกอื่น	bayesian linear regression, probabilistic regression, bayesian regresyon	product-limit estimator, km curve, kaplan-meier sağkalım analizi	weibull aft model, weibull survival model, parametric survival regression, Weibull Regresyonu — Parametrik Hayatta Kalma
ที่เกี่ยวข้อง	2	2	4
สรุป	Bayesian regression is a probabilistic version of linear regression that treats the model parameters as uncertain quantities. Instead of returning a single best-fit estimate, it combines prior knowledge with the observed data to produce a full posterior probability distribution for each parameter, from which credible intervals and predictions are read off.	The Kaplan-Meier estimator, introduced by Kaplan and Meier in 1958, is a non-parametric method that estimates the survival curve — the probability of remaining event-free over time — from right-censored time-to-event data. The log-rank test is the companion procedure used to compare survival curves between groups.	Weibull regression is a fully parametric survival model, formalised by Kalbfleisch and Prentice, that assumes survival times follow a Weibull distribution. A shape parameter controls whether the hazard increases, decreases, or remains constant over time, while covariates shift the scale of the distribution to express how predictors affect survival.