生存数据是基于我们对感兴趣事件的发生时间及相关的解释变量得到的观测数据,在生物学、医学等领域较为常见。失效时间即是感兴趣事件的发生时间,在实践中时常不能准确记录到,但可以知道处于某一段区间内。由此,我们称这样的数据是区间删失数据。在实际应用中,我们发现与失效时间相关的解释变量有时会随着时间发生改变,不同时间下解释变量的值会对此时的事件生存时间产生不同的影响。因此,研究时依协变量缺失的处理具有一定意义。本文针对Ⅱ型区间删失数据,讨论了在此数据形式下Cox模型,给出了在其时依协变量缺失时的插补过程,及该数据形式下的模型估计方法。本文主要内容如下:首先,针对时依协变量缺失问题,本文提出了基于模型完全数据似然的全条件定义多重插补方法。即依据多重插补原理,将全条件定义法应用到求取插补模型的过程中。在此过程中,本文选取了近似正态分布的协变量进行分析。同时,基于协变量之间的回归关系为其提供了详细插补公式。通过拟合基准累积危险函数、从参数的近似正态分布中抽取初始值、计算估计值三个步骤迭代得到最终插补值。本文模拟部分在协变量服从正态分布的假设下给出了相应的插补步骤,并采取另两种处理缺失的方法综合分析。其次,针对带有时依协变量的Ⅱ型区间删失数据下Cox模型,本文提出了对应的参数估计方法。我们采用单调样条和EM算法进行计算。其中,我们采用三次单调样条拟合基准累积危险函数。在E步中,我们设置两层泊松潜在变量并计算其期望。在M步,通过最大化完全数据的期望迭代求解参数。模拟里采用Q-Q图评估所提出的方法。最后,在对协变量进行适当假设下,将上述插补方法和估计方法应用到模拟及实例中。结果显示,在相同随机缺失机制下,当N取50、100及200时,插补方法的偏差都小于完全数据方法,且系数的均方误差也都较小于完全数据方法。当缺失机制相同,N取100及200时,模拟中两个参数的95%置信区间的覆盖率较高于完全数据方法。与决策树插补相比,本文提出的方法得到的偏差及均方误差要低于后者,但置信区间覆盖率高于后者。故而可认为当N取值越大,所提出的插补方法的估计效果呈现出越好的趋势。此外,当N越来越大时,系数估计值的散点都较为密集地落在直线附近,故而可认为参数估计值近似服从正态分布。据此,可认为模拟中采取的估计方法具有有效性。此外,实例结果分析得到经过插补处理后计算的系数估计值的95%的置信区间更窄。即本文提出的插补方法在实际应用中取得了一定的效果。