انتخاب مدل بر اساس معیار کولبک-لیبلر برای مشاهدات سانسوریده

انتخاب مدل به منظور استنباط و پیش بینی رفتار آینده جوامع تحت بررسی از اهمیت ویژه ای برخوردار است. از این رو جز با انتخاب مدل دسترسی به دنیای واقعی داده ها غیر ممکن است. هدف انتخاب مدل، انتخاب مدل بهینه بر پایه مشاهدات جامعه از میان مجموعه مدل های رقابتی است. مطالعات گسترده ایی در زمینه انتخاب مدل و آزمون فرض برای مشاهدات کامل انجام گرفته است. از جمله مشاهدات ناقص، مشاهدات سانسوریده هستند که به دلیل صرفه جویی در زمان و هزینه و همچنین کاربرد فراوان در آزمون های طول عمر، آنالیز بقا و تئوری قابلیت اعتماد، جایگاه خاصی دارند. در این پایان نامه به موضوع انتخاب یک مدل مناسب از بین مدل های رقابتی برای داده های سانسوریده پرداخته می شود. در بررسی مشاهدات سانسوریده از راست تصادفی برآوردکننده های درست نمایی ماکسیمم تقریبی و تقریبی جک نایف را معرفی کرده و بر اساس آن معیار انتخاب مدل برای این نوع سانسور را به دست می آوریم. با مطالعات شبیه سازی به مقایسه برآوردکننده درست نمایی ماکسیمم و این دو برآوردکننده تحت سانسور راست تصادفی به نتایج قابل توجهی دست می یابیم. مبنی بر آنکه وقتی مدل رقابتی بد-توصیف شده باشد برآوردکننده های درست نمایی ماکسیمم تقریبی و تقریبی جک نایف بهتر از برآوردکننده درست نمایی در مینیمم کردن معیار کولبک-لیبلر رفتار خواهد کرد. نشان داده خواهد شد که استنباط بر اساس داده های مشاهده شده به نتایج بهتری منتهی خواهد شد و یک فاصله ردیابی مناسب که مجموعه ایی از فرض های پذیرفتنی تحت فرض است، برای تفاضل امید ریسک های کولبک-لیبلر مشاهدات سانسوریده از راست نوع ii به دست می آوریم.