Für die Analyse von zensierten Ereigniszeiten gibt es bisher zwei Regressionsmodelle, in denen verschiedene Einflussgrößen zur Vorhersage einer mittleren Ereigniszeit genutzt werden. Sowohl für das Cox-Proportional-Hazards-Modell als auch für Accelerated Failure Times (AFT)-Modelle werden semiparametrische Prädiktoren verwendet, um metrische, räumliche und kategorielle Informationen zu nutzen sowie individuenspezifische Effekte einzubinden. In beiden Modellklassen werden hierfür einige Annahmen getroffen. In den AFT-Modellen wird insbesondere eine Verteilungsannahme gemacht und ein konstanter Skalenparameter eingesetzt, der die Modellflexibilität einschränkt. Aktuelle Fragestellungen, beispielsweise zu Überlebenszeiten in der Krebsforschung, zeigen hingegen, dass ein einfaches Modell mit einem Mittelwert nicht mehr ausreicht, um die verschiedenen Auswirkungen von modernen Therapieoptionen darzustellen, insbesondere im Kontext einer personalisierten Medizin. In diesem Projekt werden daher aktuelle Ansätze der Verteilungsregression auf die Modelle der Ereigniszeitanalyse erweitert, angepasst und untersucht. Einerseits gehören nichtparametrische Verfahren zur Modellierung der gesamten Verteilung einer Zielgröße in den Fokus des Projekts, wie Quantil- und Expektilregression sowie semiparametrische Modusregression. Andererseits lassen sich Verteilungsannahmen über die Inklusion von weiteren Prädiktoren für sämtliche Verteilungsparameter mit Hilfe von Generalisierten Additiven Modellen für Lokation, Skala und Schiefe erweitern. Somit können Einflüsse auf die Ereigniszeit sowohl am unteren als auch am oberen Ende der Verteilung geschätzt und verglichen werden. Die entwickelten Modelle werden evaluiert und für vorliegende Fragestellungen von Projektpartnern angewendet.