برآورد تفاضل مخاطره های کولبک-لیبلر برای مشاهدات سانسوریده از راست نوع II تحت مدل های غیر آشیانه ای

  معیار آکائیک به طور گسترده در تئوری انتخاب مدل برای داده­های کامل به کار گرفته می­شود، اما برای داده­های ناقص وقتی مدل­ها غیرآشیانه­ای و بد-توصیف شده هستند کمتر مورد توجه قرار گرفته است. در این مقاله به انتخاب یک مدل مناسب از بین مدل­های رقابتی برای داده­های سانسوریده از راست نوع II پرداخته می­شود و اقدام به برآورد تفاضل مخاطره­های بین دو مدل غیر آشیانه­ای می­گردد. سپس نشان داده می­شود استنباط براساس داده­های مشاهده شده و سانسوریده به طور همزمان به جای در نظر گرفتن فقط داده­های مشاهده شده به نتایج بهتری منتهی خواهد شد. فاصله ردیابی مناسب برای تفاضل امید کولبک-لیبلر مشاهدات سانسوریده با احتمال مشخص معرفی می­شود و از آنجا که هر فاصله اطمینان مجموعه­ای از فرض­های پذیرفتنی تحت فرض صفر است، فاصله به دست آمده برای انتخاب مدل مناسب به کار گرفته می­شود.

کلیدواژه ها:

Akaike Criterion ، Kullback-Leibler ، Type II Right Censored Data. ، سانسور راست نوع ، مدل های غیر آشیانه ایی ، معیار آکائیک ، معیار اطلاع کولبک-لیبلر