برآورد تفاضل مخاطره هاي كولبك - ليبلر براي مشاهدات سانسوريده از راست نوع II تحت مدل هاي غير آشيانه اي

معيار آكائيك به طور گسترده در تئوري انتخاب مدل براي داده هاي كامل به كار گرفته مي شود، اما براي داده هاي ناقص وقتي مدل ها غيرآشيانه اي و بد-توصيف شده هستند كمتر مورد توجه قرار گرفته است. در اين مقاله به انتخاب يك مدل مناسب از بين مدل هاي رقابتي براي داده هاي سانسوريده از راست نوع II پرداخته مي شود و اقدام به برآورد تفاضل مخاطره هاي بين دو مدل غير آشيانه اي مي گردد. سپس نشان داده مي شود استنباط بر اساس داده هاي مشاهده شده و سانسوريده به طور همزمان به جاي در نظر گرفتن فقط داده هاي مشاهده شده به نتايج بهتري منتهي خواهد شد. فاصله رديابي مناسب براي تفاضل اميد كولبك-ليبلر مشاهدات سانسوريده با احتمال مشخص معرفي مي شود و از آنجا كه هر فاصله اطمينان مجموعه اي از فرض هاي پذيرفتني تحت فرض صفر است، فاصله به دست آمده براي انتخاب مدل مناسب به كار گرفته مي شود.