前短时间有个同学求助一篇文章的方法学，里面比较少用的方法学主要涉及到分段回归（Piecewise Regression）和广义相加模型（GAM）,其他都比较常见。作者利用gam模型首先确定了一个连续型自变量和生存结果变量的非线性关系，然后引用分段回归寻找截断值并在每个分段内进行了拟合。虽然文章分数不高，但是感觉也可以借鉴。

分段回归（Piecewise Regression），也称为分段线性回归或阶梯回归，是一种用于描述变量之间关系在不同区间内有不同模式的统计模型。在简单线性回归中，我们假设因变量和自变量之间有一个恒定的关系，用一条直线来描述。然而，在许多情况下，这种关系可能在不同的区间内有所不同。分段回归就是为了解决这种问题而提出的。

在分段回归中，数据集被分成几个不同的“段”或“区间”，每个区间都有自己的回归模型（通常是线性的）。这些模型可以是完全不同的，也可以有某种程度的连续性。

假设有一个分段点（也称为“转折点”或“节点”）( x = c )，则分段回归模型可以表示为：

[ y = \begin{cases} a_1 + b_1x + \epsilon, & \text{if } x < c \ a_2 + b_2x + \epsilon, & \text{if } x \geq c \end{cases}\\ ]

其中，( a_1, a_2, b_1, b_2 ) 是回归系数，( \epsilon ) 是误差项。