برآورد تفاضل مخاطره های کولبک-لیبلر برای مشاهدات سانسوریده از راست نوع II تحت مدل های غیر آشیانه ای

معیار آکائیک به طور گسترده در تئوری انتخاب مدل برای داده های کامل به کار گرفته می شود، اما برای داده های ناقص وقتی مدل ها غیرآشیانه ای و بد-توصیف شده هستند کمتر مورد توجه قرار گرفته است. در این مقاله به انتخاب یک مدل مناسب از بین مدل های رقابتی برای داده های سانسوریده از راست نوع II پرداخته می شود و اقدام به برآورد تفاضل مخاطره های بین دو مدل غیر آشیانه ای می گردد. سپس نشان داده می شود استنباط براساس داده های مشاهده شده و سانسوریده به طور همزمان به جای در نظر گرفتن فقط داده های مشاهده شده به نتایج بهتری منتهی خواهد شد. فاصله ردیابی مناسب برای تفاضل امید کولبک-لیبلر مشاهدات سانسوریده با احتمال مشخص معرفی می شود و از آنجا که هر فاصله اطمینان مجموعه ای از فرض های پذیرفتنی تحت فرض صفر است، فاصله به دست آمده برای انتخاب مدل مناسب به کار گرفته می شود.