你好，
我的
姓名
是
迈克尔
克罗蒂。
我是 a 统计 作家 和 这 统计 文档 团队 在 跳转，
和 今天， 我是 去 到 讲话 关于 一个 介绍
到 审查 数据 分析 在 跳转 和 跳转 赞成。
到 开始， 我们已经 得到 三 常见的 类型 的 审查。
只是 到 后退 向上 a 少量， 审查 数据 发生
什么时候 你 不 有 一个 精确的 测量 为了 一个 观察，
但 你 做 知道 a 范围 为了 这 观察，
所以 你 知道 不是 这 精确的 价值，
但 你 做 知道 某物 关于 在哪里 这 价值 可能 是。
什么 我们 想 到 做 经过 使用 审查 在 我们的 分析
是 到 使用 那 信息 那 我们 有， 甚至 如果 它是 不是 精确的。
这 三 类型 的 审查 那 出色地 讲话 关于 今天
是 正确的 审查， 左边 审查， 和 间隔 审查。
正确的 审查 是 大概 这 最多 常见的 形式 的 审查。
它 发生 什么时候 这 事件 的 兴趣 只是 没有 有 时间 到 发生 然而
经过 这 结尾 的 这 学习。
在 a 可靠性 测试，
你 可能 有 a 束 的 光 灯泡 正在测试
和 在 这 结尾 的 这 测试 时期， 一些 的 他们 有 失败的。
那些 是 精确的 观察， 但 然后 一些 没有 失败的 然而。
你 知道 他们是 去 到 失败，
但 你的 学习 有 结束了， 所以 它是 审查 在 那 观点。
相同的 事物 在 生存 模型
在哪里 a 病人 幸存 到 这 结尾 的 这 学习。
一 事物 到 笔记 是 那 正确的 审查 是 这 仅有的 类型 那 在 跳转，
支持 a 单身的 回复 柱子 旁边 的 a 二进制 审查 柱子。
这 下一个 类型 是 左边 审查。
那是 在哪里 这 事件 的 兴趣 发生 前 这 观察 開始。
A 常见的 例子 的 那 会 是 在哪里 你 放 a 束 的 单位 在下面 测试
和 在 这 时间 那 你 做 这 第一的 检查，
一些 的 他们 有 已经 失败的。
你 知道 那 他们 开始 没有 a 失败，
但 经过 这 时间 你 测量 他们， 你 检查 在 他们， 他们 有 失败的。
所以 他们 失败的 有时 前 那 观点。
其他 例子 的 那 是 有限的 检测
在哪里 你 有 a 测量 工具
那 不能 措施 以下 a 肯定 临界点。
这 最后的 类型 出色地 讲话 关于 今天 是 间隔 审查。
这 是 在哪里 你的 事件 的 兴趣 发生 之间 观察 时间。
如果 你 有 a 定期 检查 日程 反而 的 连续的 观察，
你 可能 看 那 某物 失败 或者 某物 发生
之间 时间 二 和 三。
它 没有 发生 在 时间 二 和 它 没有 发生 在 时间 三，
但 它 曾是 某处 在 那 间隔。
拿 a 快的 看 在 什么 这 看起来 喜欢 在 跳转。
这是 一个 例子 的 这 正确的 审查
和 a 回复 柱子 和 a 审查 柱子。
在 这 平台 那 支持 审查，
你 总是 看 这 审查 角色， 那是 为了 那 二进制 审查 柱子。
这 是 这 方式 那 你 能 做， 你 能 指定 审查 更多的 一般来说，
哪个 是 和 二 回复 列。
基本上， 它是 喜欢 a 开始 时间 和 一个 结尾 时间。
为了 左边 审查，
我们 不 知道 什么时候 它 发生了， 所以 这 开始 时间 是 丢失的，
但 这 结尾 时间， 我们 知道 它 发生了 前 时间 50，
所以 某处 前 那。
反转 那 为了 正确的 审查， 我们 知道 那 在 时间 25岁，
它 没有 发生了 然而， 但 它 发生了 有时 后 那。
然后 和 间隔，
两个都 这 开始 和 端点 是 非缺失，
但 我们 不 知道 什么时候 这 事件 发生了 在 这 案件 之间 80 和 150.
它是 不是 显示 在 这 桌子 向上 这里，
但 向下 这里， 我们已经 得到 某处 有 精确的 审查。
到 指定 那，
你 只是 使用 这 相同的 价值 在 两个都 列。
那 方法 本质上 它是 喜欢 一个 间隔 和 零 宽度。
它 发生了 在 那 精确的 时间。
下一个， 是 去 到 讲话 关于 二 示例 的 审查。
这 第一的 是 如果 你 有 审查 在 你的 数据，
但 或许 你 不 知道 如何 到 处理 它，
和 所以 你 只是 思考， “患病的 只是 忽略 它。”
是 去 到 看 在 什么 能 可能 发生 什么时候 你 做 那。
在 这 例子，
我们已经 得到 模拟 数据 从 a 对数正态分布 分配
和 这 观察到 数据
那 出色地 使用 为了 分析 在 我们的 不同的 案例
是 在哪里 全部 这 价值观 从 这 真的 数据 那 是 超过 1,900， 我们 放 他们 到 1,900，
因为那是 这 审查 时间 为了 它是 正确的 审查。
那里 是 a 很少 可能的 事物 你 可以 做
如果 你是 尝试 到 估计 这 意思是 失败 时间。
你 可以 做 没有什么。
你 可以 只是 使用 这 观察到 数据 和 a 所有的 束 的 价值观 放 到 1,900，
行为 喜欢 那是 什么时候 它 發生了。
你 可以 对待 那些 作为 丢失的 价值观， 只是 降低 他们 从 你的 数据，
或者 你 可以 使用 这 审查 信息 那 你 有 在 你的 分析。
为了 正确的 审查， 这些 第一的 二 方法
是 去 到 趋向 到 低估 这 意思是 失败 时间
因为 你是 掉落 信息 从 这 数据 在 那 远的 结尾。
寻找 更多的 密切 在 这， 因为 这 是 模拟 数据，
我们 有 这 真的 分配 这里 在 这 第一的 柱子。
那是 只是 为了 比较， 但 在 一般的， 你 不会 有 那
因为 你会 有 那 全部 价值观 多于 1,900。
你 不 知道 在哪里 这些 落下。
在 我们的 观察到 和，
这 是 在哪里 我们 只是 使用 全部 这 1900年代 作为 价值观 的 1,900。
我们 有 不 丢失的 价值观，
但 a 大的 观点 大量的 在 这 顶部 的 我们的 分配 这里。
你 能 看 那 这 意思是 是 a 很多 更小 比 这 真的 意思是。
在 这 丢失的 Y 柱子， 这 是 在哪里 反而 的 治疗 他们 作为 1,900，
我们 降低 他们。
我们 放 他们 到 丢失的 和 分析 这 分配 没有 他们。
这里 你 能 看 那 现在 我们的 最大限度 的 这 非缺失 价值观
是 较少的 比 1,900， 哪个 真的 没有 制作 任何 感觉
因为 我们 知道 那 a 束 的 他们， 21 观察， 在 事实，
是 一些 价值 更大 比 1,900。
所以这个 低估 这 意思是 甚至 更多的。
然后 在 这 正确的 这里，
我们已经 得到 一个 分析 在 生活 分配 在 跳转。
这 是 在哪里 是 使用 这 观察到 Y 柱子。
它是 得到 那些 1900年代，
但 是 还 使用 a 审查 柱子 旁边 它。
为了 这 行 在哪里 观察到 Y 是 1,900，
我们的 审查 柱子 是 去 到 说 那 它是 a 审查 观察。
这里 我们 能 看 那 我们的 意思是，
它 实际上 结束 向上 存在 a 小的 更高 比 这 真的 意思是，
但 我们的 对数正态分布 范围 估计 是 很多 更近 到 这 真的 价值观
和 是 纳入 全部 这 信息 那 我们 有。
为了 我们的 下一个 例子， 是 去 到 看 在 检测 限制。
这 是 a 限制 的 检测 问题
在哪里 我们 有 数据 在 这 屈服 的 a 农药
称为 Metacrate 就是这样 基于 在 级别 的 一些 其他 回归 变量。
在 这 情况，
这 测量 系统 那 我们 有 有 a 降低 限制 的 检测
在哪里 它 不能 措施 任何 产量 那 是 较少的 比 1 %。
所以 在 这 数据， 他们是 只是 编码 作为 零，
但 它 真的 只是 方法 它是 一些 屈服 以下 1 %。
那里 是 二 方法 你 可以 分析 这
纳入 那 信息 在 跳转。
这 第一的， 你 可以 对待 它 作为 左边 审查，
使用 二 回复 列 和 这 第一的 这 左边 柱子 有 a 丢失的 价值，
和 这 正确的 柱子 会 是 a 一，
或者 你 能 使用 这 检测 限制 柱子 财产
那是 新的 在 跳转 和 跳转 赞成。
出色地 拿 a 看 在 这。
这是 a 子集 的 这 数据。
这 元库拉特 阅读 柱子 是 这 相同的 作为 这 原来的 阅读 柱子，
但 它是 得到 a 检测 限制 柱子 财产。
因为 这 是 a 降低 检测 限制
在哪里 我们 不能 措施 任何 降低 比 那 限制，
是 去 到 放 这 降低 检测 限制 到 一。
这 其他 方式 你 可以 做 这 是 和 这 二 列。
在 这 案件， 我们 知道 那 它是 左边 审查，
所以 这 左边 边 是 丢失的 和 这 上 边 的 那 是 一，
只是 方法 那 这 价值 是 某处 较少的 比 一。
那是 全部 我们 知道。
但 作为 你 能 看 从 这 柱子 信息 窗户 向下 这里，
这 检测 限制 柱子 财产 是 认可 经过 这 分配
和 广义的 回归 平台。
所以 这 是 a 回归 问题。
出色地 使用 广义的 回归 在 跳转 赞成。
这里 我们 合身 a 对数正态分布 回复 分配，
和 它是 有能力的 到 做 那 在 这 元库拉特 阅读 柱子，
甚至 和 这 零 在 那里，
因为 GenReg的 不是 治疗 那些 观察 作为 零，
它是 治疗 他们 作为 价值观 审查 在 一。
现在， 我们 是 有能力的 到 使用 全部 这 信息
和 得到 a 回归 模型。
在 结论， 大概， 这 最多 重要的 事物 是
什么时候 你 有 审查 信息，
它是 更好的 到 使用 它 在 你的 分析 比 到 忽略 它。
审查 能 发生 a 很多 的 次 为了 时间 回复
但 它 能 还 发生 为了 其他 回应。
A 好的 例子 的 那 是 这些 有限的 检测 问题。
最后， 你 能 使用 这 下列的 方法
到 指定 审查 在 跳转。
有 这 双列 方法 那是 大概 这 最多 灵活的
因为 那 允许 你 到 做 正确的 审查， 左边 审查，
间隔 审查， 作为 出色地 作为 a 混合 的 全部 三 的 那些。
为了 正确的 审查， 你 能 使用 这 一 柱子 回复
配对 和 a 二进制 指标 柱子 为了 审查。
有 还 这 新的 柱子 财产 在 跳转 为了 检测 限制
在哪里 你 能 放 a 限制 的 检测 任何一个 在 这 低的 边 或者 这 高的 边。
我们 得到 a 很少 参考 这里 如果 你是 感兴趣的 在 更多的 信息。
一 的 那些 是 a 发现 讲话 I 做过 在 2017
那是 得到 更多的 的 这 背景 的 如何 这 审查 信息 是 用过的
在 这 计算 的 这些 分析。
那是 它。 感谢 你。
