外行對生存分析中審查的解釋
我已經閱讀了審查是什麼以及在生存分析中需要如何考慮它，但我想听聽一個不那麼數學的定義和一個更直觀的定義（圖片會很棒！）。誰能向我解釋 1）審查和 2）它如何影響 Kaplan-Meier 曲線和 Cox 回歸之類的東西？
審查通常與截斷相比較來描述。Gelman 等人 (2005, p. 235) 對這兩個過程進行了很好的描述：
截斷數據與截斷數據不同，截斷點以外的觀測計數不可用。刪 失後，截斷點以外的觀察值會丟失，但會觀察到它們的數量。
對於高於某個級別（右刪失）、低於某個級別（左刪失）或兩者兼有的值，可能會發生刪失或截斷。
您可以在下面找到在點被刪失的標準正態分佈示例（中）或截斷在（對）。如果樣本被截斷，我們沒有超出截斷點的數據，截斷點上方的刪失樣本值被“四捨五入”到邊界值，因此它們在您的樣本中被過度表示。
審查的直觀示例是，您詢問受訪者的年齡，但僅將其記錄到某個值，並且所有高於該值的年齡（例如 60 歲）都記錄為“60+”。這導致獲得非審查值的精確信息，而沒有關於審查值的信息。
在互聯網上引起了極大關注的波蘭 matura考試成績中觀察到的審查並不那麼典型，現實生活中的例子。考試在高中結束時進行，學生必須通過考試才能申請高等教育。你能從下圖中猜出學生通過考試所需的最低分數是多少？毫不奇怪，如果您在審查邊界上方取適當比例的過度代表分數，則可以很容易地“填補”其他正態分佈中的“差距”。
在生存分析的情況下
當我們有一些關於個體生存時間的信息，但我們不知道確切的生存時間時，就會發生審查
（克萊因鮑姆和克萊因，2005 年，第 5 頁）。例如，你用某種藥物治療患者並觀察他們直到研究結束，但你不知道研究結束後他們會發生什麼（是否有任何復發或副作用？），你唯一知道的是他們“存活”至少直到研究結束。
您可以在下面找到使用 Kaplan-Meier 估計器建模的Weibull 分佈生成的數據示例。藍色曲線標記在整個數據集上估計的模型，在中間圖中，您可以看到刪失樣本和根據刪失數據估計的模型（紅色曲線），在右側您可以看到截斷樣本和在此類樣本上估計的模型（紅色曲線）。如您所見，缺失數據（截斷）對估計有重大影響，但使用標準生存分析模型可以輕鬆管理審查。
這並不意味著您不能分析截斷的樣本，但在這種情況下，您必須使用模型來嘗試“猜測”未知信息的缺失數據。
Kleinbaum, DG 和 Klein, M. (2005)。*生存分析：自學文本。*施普林格。
Gelman, A.、Carlin, JB、Stern, HS 和 Rubin, DB (2005)。*貝葉斯數據分析。*查普曼和霍爾/CRC。
