你好，
我的
姓名
是
麥可
克羅蒂。
我是 a 統計 作家 和 這 統計 文件 團隊 在 跳轉，
和 今天， 我是 去 到 演講 關於 一個 介紹
到 審查 數據 分析 在 跳轉 和 跳轉 贊成。
到 開始， 我們已經 得到 三 常見的 類型 的 審查。
只是 到 後退 向上 a 位元, 審查 數據 發生
什麼時候 你 不 有 一個 精確的 測量 為了 一個 觀察，
但 你 做 知道 a 範圍 為了 這 觀察，
所以 你 知道 不是 這 精確的 價值，
但 你 做 知道 某物 關於 在哪裡 這 價值 可能 是。
什麼 我們 想 到 做 經過 使用 審查 在 我們的 分析
是 到 使用 那 資訊 那 我們 有， 甚至 如果 它是 不是 精確的。
這 三 類型 的 審查 那 出色地 演講 關於 今天
是 正確的 審查， 左邊 審查， 和 間隔 審查。
正確的 審查 是 大概 這 最多 常見的 形式 的 審查。
它 發生 什麼時候 這 事件 的 興趣 只是 沒有 有 時間 到 發生 然而
經過 這 結尾 的 這 學習。
在 a 可靠性 測試，
你 可能 有 a 束 的 光 燈泡 正在測試
和 在 這 結尾 的 這 測試 時期， 一些 的 他們 有 失敗的。
那些 是 精確的 觀察， 但 然後 一些 沒有 失敗的 然而。
你 知道 他們是 去 到 失敗，
但 你的 學習 有 結束了， 所以 它是 審查 在 那 觀點。
相同的 事物 在 生存 模型
在哪裡 a 病人 倖存 到 這 結尾 的 這 學習。
一 事物 到 筆記 是 那 正確的 審查 是 這 僅有的 類型 那 在 跳轉，
支援 a 單身的 回覆 柱子 旁邊 的 a 二進位 審查 柱子。
這 下一個 類型 是 左邊 審查。
那是 在哪裡 這 事件 的 興趣 發生 前 這 觀察 開始。
A 常見的 例子 的 那 會 是 在哪裡 你 放 a 束 的 單位 在下面 測試
和 在 這 時間 那 你 做 這 第一的 檢查，
一些 的 他們 有 已經 失敗的。
你 知道 那 他們 開始 沒有 a 失敗，
但 經過 這 時間 你 測量 他們， 你 檢查 在 他們， 他們 有 失敗的。
所以 他們 失敗的 有時 前 那 觀點。
其他 例子 的 那 是 有限的 偵測
在哪裡 你 有 a 測量 工具
那 不能 措施 以下 a 肯定 臨界點。
這 最後的 類型 出色地 演講 關於 今天 是 間隔 審查。
這 是 在哪裡 你的 事件 的 興趣 發生 之間 觀察 時間。
如果 你 有 a 定期 檢查 行程 反而 的 連續的 觀察，
你 可能 看 那 某物 失敗 或者 某物 發生
之間 時間 二 和 三。
它 沒有 發生 在 時間 二 和 它 沒有 發生 在 時間 三，
但 它 曾是 某處 在 那 間隔。
拿 a 快的 看 在 什麼 這 看起來 喜歡 在 跳轉。
這是 一個 例子 的 這 正確的 審查
和 a 回覆 柱子 和 a 審查 柱子。
在 這 平台 那 支援 審查，
你 總是 看 這 審查 角色， 那是 為了 那 二進位 審查 柱子。
這 是 這 方式 那 你 能 做， 你 能 指定 審查 更多的 一般來說，
哪個 是 和 二 回覆 列。
基本上， 它是 喜歡 a 開始 時間 和 一個 結尾 時間。
為了 左邊 審查，
我們 不 知道 什麼時候 它 發生了， 所以 這 開始 時間 是 遺失的，
但 這 結尾 時間， 我們 知道 它 發生了 前 時間 50，
所以 某處 前 那。
反轉 那 為了 正確的 審查， 我們 知道 那 在 時間 25歲，
它 沒有 發生了 然而， 但 它 發生了 有時 後 那。
然後 和 間隔，
兩個都 這 開始 和 端點 是 非缺失，
但 我們 不 知道 什麼時候 這 事件 發生了 在 這 案件 之間 80 和 150.
它是 不是 顯示 在 這 桌子 向上 這裡，
但 向下 這裡， 我們已經 得到 某處 有 精確的 審查。
到 指定 那，
你 只是 使用 這 相同的 價值 在 兩個都 列。
那 方法 本質上 它是 喜歡 一個 間隔 和 零 寬度。
它 發生了 在 那 精確的 時間。
下一個， 是 去 到 演講 關於 二 範例 的 審查。
這 第一的 是 如果 你 有 審查 在 你的 數據，
但 或許 你 不 知道 如何 到 處理 它，
和 所以 你 只是 思考， 「患病的 只是 忽略 它。 」
是 去 到 看 在 什麼 能 可能 發生 什麼時候 你 做 那。
在 這 例子，
我們已經 得到 模擬 數據 從 a 對數常態分佈 分配
和 這 觀察到 數據
那 出色地 使用 為了 分析 在 我們的 不同的 案例
是 在哪裡 全部 這 價值觀 從 這 真的 數據 那 是 超過 1,900， 我們 放 他們 到 1,900，
因為那是 這 審查 時間 為了 它是 正確的 審查。
那裡 是 a 很少 可能的 事物 你 可以 做
如果 你是 嘗試 到 估計 這 意思是 失敗 時間。
你 可以 做 沒有什麼。
你 可以 只是 使用 這 觀察到 數據 和 a 所有的 束 的 價值觀 放 到 1,900，
行為 喜歡 那是 什麼時候 它 發生了。
你 可以 對待 那些 作為 遺失的 價值觀， 只是 降低 他們 從 你的 數據，
或者 你 可以 使用 這 審查 資訊 那 你 有 在 你的 分析。
為了 正確的 審查， 這些 第一的 二 方法
是 去 到 趨向 到 低估 這 意思是 失敗 時間
因為 你是 掉落 資訊 從 這 數據 在 那 遠的 結尾。
尋找 更多的 密切 在 這， 因為 這 是 模擬 數據，
我們 有 這 真的 分配 這裡 在 這 第一的 柱子。
那是 只是 為了 比較， 但 在 一般的， 你 不會 有 那
因為 你會 有 那 全部 價值觀 多於 1,900。
你 不 知道 在哪裡 這些 落下。
在 我們的 觀察到 和，
這 是 在哪裡 我們 只是 使用 全部 這 1900年代 作為 價值觀 的 1,900。
我們 有 不 遺失的 價值觀，
但 a 大的 觀點 大量的 在 這 頂部 的 我們的 分配 這裡。
你 能 看 那 這 意思是 是 a 很多 更小 比 這 真的 意思是。
在 這 遺失的 Y 柱子， 這 是 在哪裡 反而 的 治療 他們 作為 1,900，
我們 降低 他們。
我們 放 他們 到 遺失的 和 分析 這 分配 沒有 他們。
這裡 你 能 看 那 現在 我們的 最大限度 的 這 非缺失 價值觀
是 較少的 比 1,900， 哪個 真的 沒有 製作 任何 感覺
因為 我們 知道 那 a 束 的 他們， 21 觀察， 在 事實，
是 一些 價值 更大 比 1,900。
所以這個 低估 這 意思是 甚至 更多的。
然後 在 這 正確的 這裡，
我們已經 得到 一個 分析 在 生活 分配 在 跳轉。
這 是 在哪裡 是 使用 這 觀察到 Y 柱子。
它是 得到 那些 1900年代，
但 是 也 使用 a 審查 柱子 旁邊 它。
為了 這 列 在哪裡 觀察到 Y 是 1,900，
我們的 審查 柱子 是 去 到 說 那 它是 a 審查 觀察。
這裡 我們 能 看 那 我們的 意思是，
它 實際上 結束 向上 存在 a 小的 更高 比 這 真的 意思是，
但 我們的 對數常態分佈 範圍 估計 是 很多 更近 到 這 真的 價值觀
和 是 納入 全部 這 資訊 那 我們 有。
為了 我們的 下一個 例子， 是 去 到 看 在 偵測 限制。
這 是 a 限制 的 偵測 問題
在哪裡 我們 有 數據 在 這 屈服 的 a 農藥
稱為 Metacrate 就是這樣 基於 在 等級 的 一些 其他 回歸 變數。
在 這 情況，
這 測量 系統 那 我們 有 有 a 降低 限制 的 偵測
在哪裡 它 不能 措施 任何 產量 那 是 較少的 比 1 %。
所以 在 這 數據， 他們是 只是 編碼 作為 零，
但 它 真的 只是 方法 它是 一些 屈服 以下 1 %。
那裡 是 二 方法 你 可以 分析 這
納入 那 資訊 在 跳轉。
這 第一的， 你 可以 對待 它 作為 左邊 審查，
使用 二 回覆 列 和 這 第一的 這 左邊 柱子 有 a 遺失的 價值，
和 這 正確的 柱子 會 是 a 一，
或者 你 能 使用 這 偵測 限制 柱子 財產
那是 新的 在 跳轉 和 跳轉 贊成。
出色地 拿 a 看 在 這。
這是 a 子集 的 這 數據。
這 元庫拉特 閱讀 柱子 是 這 相同的 作為 這 原來的 閱讀 柱子，
但 它是 得到 a 偵測 限制 柱子 財產。
因為 這 是 a 降低 偵測 限制
在哪裡 我們 不能 措施 任何 降低 比 那 限制，
是 去 到 放 這 降低 偵測 限制 到 一。
這 其他 方式 你 可以 做 這 是 和 這 二 列。
在 這 案件， 我們 知道 那 它是 左邊 審查，
所以 這 左邊 邊 是 遺失的 和 這 上 邊 的 那 是 一，
只是 方法 那 這 價值 是 某處 較少的 比 一。
那是 全部 我們 知道。
但 作為 你 能 看 從 這 柱子 資訊 窗戶 向下 這裡，
這 偵測 限制 柱子 財產 是 認可 經過 這 分配
和 廣義的 回歸 平台。
所以 這 是 a 回歸 問題。
出色地 使用 廣義的 回歸 在 跳轉 贊成。
這裡 我們 合身 a 對數常態分佈 回覆 分配，
和 它是 有能力的 到 做 那 在 這 元庫拉特 閱讀 柱子，
甚至 和 這 零 在 那裡，
因為 GenReg的 不是 治療 那些 觀察 作為 零，
它是 治療 他們 作為 價值觀 審查 在 一。
現在， 我們 是 有能力的 到 使用 全部 這 資訊
和 得到 a 回歸 模型。
在 結論， 大概， 這 最多 重要的 事物 是
什麼時候 你 有 審查 資訊,
它是 更好的 到 使用 它 在 你的 分析 比 到 忽略 它。
審查 能 發生 a 很多 的 次 為了 時間 回覆
但 它 能 也 發生 為了 其他 回應。
A 好的 例子 的 那 是 這些 有限的 偵測 問題。
最後， 你 能 使用 這 下列的 方法
到 指定 審查 在 跳轉。
有 這 雙列 方法 那是 大概 這 最多 靈活的
因為 那 允許 你 到 做 正確的 審查， 左邊 審查，
間隔 審查， 作為 出色地 作為 a 混合 的 全部 三 的 那些。
為了 正確的 審查， 你 能 使用 這 一 柱子 回覆
配對 和 a 二進位 指標 柱子 為了 審查。
有 也 這 新的 柱子 財產 在 跳轉 為了 偵測 限制
在哪裡 你 能 放 a 限制 的 偵測 任何一個 在 這 低的 邊 或者 這 高的 邊。
我們 得到 a 很少 參考 這裡 如果 你是 有興趣的 在 更多的 資訊.
一 的 那些 是 a 發現 演講 I 做過 在 2017
那是 得到 更多的 的 這 背景 的 如何 這 審查 資訊 是 用過的
在 這 計算 的 這些 分析。
那是 它。 感謝 你。
