L’analyse de survie est une branche de la statistique, qui se concentre sur l’analyse des données de temps à événement. Dans l’analyse de survie multivariée, le modèle des hasards proportionnels (PH) est le plus populaire afin d’analyser les effets de plusieurs covariables sur le temps de survie. Cependant, l’hypothèse de risques constants dans le modèle PH n’est pas toujours satisfaite par les données. La violation de l’hypothèse PH conduit à une mauvaise interprétation des résultats de l’estimation et à une diminution de la puissance des tests statistiques correspondants. D’autre part, les modèles de temps de défaillance accéléré (AFT) ne supposent pas de risques constants dans les données de survie comme dans le modèle PH. Les modèles AFT, en outre, peuvent être utilisés comme alternative au modèle PH si l’hypothèse de risques constants est violée. L’objectif de cette recherche était de comparer la performance du modèle PH et des modèles AFT dans l’analyse des facteurs significatifs affectant les données de l’intervalle entre les premières naissances (FBI) en Indonésie. Dans ce travail, la discussion s’est limitée à trois modèles AFT qui sont basés sur la distribution de Weibull, exponentielle et log-normale. L’analyse en utilisant une approche graphique et un test statistique a montré que les risques non proportionnels existent dans l’ensemble des données FBI. Sur la base du critère d’information d’Akaike (AIC), le modèle log-normal AFT était le modèle le plus approprié parmi les autres modèles considérés. Les résultats du modèle le mieux ajusté (modèle log-normal AFT) ont montré que les covariables telles que le niveau d’éducation des femmes, le niveau d’éducation du mari, la connaissance de la contraception, l’accès aux médias de masse, l’indice de richesse et le statut d’emploi étaient parmi les facteurs affectant le FBI en Indonésie.