เซ็นเซอร์มักถูกอธิบายในการเปรียบเทียบกับการตัด คำอธิบายที่ดีของทั้งสองกระบวนการมีให้โดย Gelman et al (2005, p. 235)
ข้อมูลที่ถูกตัดทอนนั้นแตกต่างจากข้อมูลที่ถูกเซ็นเซอร์ซึ่งไม่มีการนับจำนวนการสังเกตเกินกว่าจุดที่ถูกตัดทอน ด้วยการเซ็นเซอร์
ค่าของการสังเกตเกินจุดตัดจะหายไป แต่จำนวนของพวกเขาจะถูกสังเกต
การเซ็นเซอร์หรือการตัดสามารถเกิดขึ้นได้สำหรับค่าที่สูงกว่าบางระดับ (การเซ็นเซอร์ขวา) ต่ำกว่าบางระดับ (การเซ็นเซอร์ด้านซ้าย) หรือทั้งสองอย่าง
2.02.0
ตัวอย่างที่ใช้งานง่ายของการเซ็นเซอร์คือคุณถามผู้ตอบแบบสอบถามเกี่ยวกับอายุของพวกเขา แต่บันทึกได้เพียงบางค่าและทุกช่วงอายุที่สูงกว่าค่านี้กล่าวว่า 60 ปีจะถูกบันทึกเป็น "60+" สิ่งนี้นำไปสู่การมีข้อมูลที่แม่นยำสำหรับค่าที่ไม่ถูกเซ็นเซอร์และไม่มีข้อมูลเกี่ยวกับค่าที่ถูกเซ็นเซอร์
ตัวอย่างในชีวิตจริงของการเซ็นเซอร์ไม่ได้มีการบันทึกไว้ในคะแนนสอบภาษาโปแลนด์มาตูราซึ่งได้รับความสนใจจากอินเทอร์เน็ตเป็นอย่างมาก การสอบจะดำเนินการในตอนท้ายของโรงเรียนมัธยมและนักเรียนจะต้องผ่านการทดสอบเพื่อให้สามารถสมัครเข้าศึกษาระดับอุดมศึกษาได้ คุณสามารถเดาจากพล็อตด้านล่างจำนวนคะแนนขั้นต่ำที่นักเรียนต้องผ่านการสอบคืออะไร ไม่น่าแปลกใจที่ "ช่องว่าง" ในการแจกแจงแบบปกติมิฉะนั้นสามารถ "กรอก" ได้อย่างง่ายดายหากคุณใช้ส่วนที่เหมาะสมของคะแนนที่แสดงมากกว่าเหนือขอบเขตการเซ็นเซอร์
ในกรณีของการวิเคราะห์การอยู่รอด
การเซ็นเซอร์เกิดขึ้นเมื่อเรามีข้อมูลบางอย่างเกี่ยวกับเวลารอดของแต่ละบุคคล แต่เราไม่รู้เวลารอดแน่นอน
(Kleinbaum และ Klein, 2005, p. 5) ตัวอย่างเช่นคุณรักษาผู้ป่วยด้วยยาบางตัวและสังเกตพวกเขาจนกว่าจะจบการศึกษา แต่คุณไม่มีความรู้ว่าจะเกิดอะไรขึ้นกับพวกเขาหลังจากจบการศึกษา (มีอาการกำเริบหรือผลข้างเคียงหรือไม่?) สิ่งเดียวที่คุณรู้คือ รอดชีวิต " อย่างน้อยก็จนกว่าจะสิ้นสุดการศึกษา
ด้านล่างคุณสามารถค้นหาตัวอย่างของข้อมูลที่สร้างจากการแจกแจงแบบWeibull ที่จำลองโดยใช้ตัวประมาณ Kaplan – Meier แบบจำลองเส้นโค้งสีน้ำเงินที่ประเมินบนชุดข้อมูลแบบเต็มในพล็อตตรงกลางคุณสามารถดูตัวอย่างที่ถูกตรวจสอบและแบบจำลองที่ประมาณไว้ในข้อมูลการตรวจสอบ (เส้นโค้งสีแดง) ทางด้านขวาคุณจะเห็นตัวอย่างที่ถูกตัดทอน อย่างที่คุณเห็นข้อมูลที่ขาดหายไป (การตัดปลาย) มีผลกระทบอย่างมีนัยสำคัญต่อการประมาณการ แต่การจัดการเซ็นเซอร์สามารถจัดการได้อย่างง่ายดายโดยใช้แบบจำลองการวิเคราะห์การอยู่รอดมาตรฐาน
นี่ไม่ได้หมายความว่าคุณไม่สามารถวิเคราะห์ตัวอย่างที่ถูกตัดทอนได้ แต่ในกรณีเช่นนี้คุณต้องใช้แบบจำลองสำหรับข้อมูลที่หายไปซึ่งพยายาม "เดา" ข้อมูลที่ไม่รู้จัก
Kleinbaum, DG และ Klein, M. (2005) การวิเคราะห์การอยู่รอด: ข้อความเรียนรู้ด้วยตนเอง สปริงเกอร์
Gelman, A. , Carlin, JB, Stern, HS, และ Rubin, DB (2005) การวิเคราะห์ข้อมูลแบบเบส์ แชปแมน & ฮอล / CRC