Dalam Analisis Kelangsungan Hidup, Anda menganggap waktu kelangsungan hidup rv untuk didistribusikan secara eksponensial. Mempertimbangkan sekarang bahwa saya memiliki x 1 , … , x n "hasil" dari iid rv's X i . Hanya sebagian dari hasil ini yang sebenarnya "sepenuhnya terwujud", yaitu pengamatan yang tersisa masih "hidup".
Jika saya ingin melakukan estimasi ML untuk parameter tingkat dari distribusi, bagaimana saya bisa menggunakan pengamatan yang tidak disadari dengan cara yang koheren / tepat? Saya percaya mereka masih mengandung informasi yang berguna untuk estimasi.
Bisakah seseorang membimbing saya ke literatur tentang topik ini? Saya yakin itu ada. Namun saya kesulitan menemukan kata kunci / istilah pencarian yang bagus untuk topik tersebut.
sumber
Jawaban:
Anda masih dapat memperkirakan parameter dengan menggunakan kemungkinan secara langsung. Biarkan pengamatan menjadi dengan distribusi eksponensial dengan laju λ > 0 dan tidak diketahui. Fungsi kerapatan adalah f ( x ; λ ) = λ e - λ x , fungsi distribusi kumulatif F ( x ; λ ) = 1 - e - λ x dan fungsi ekor G ( x ; λx1,…,xn λ>0 f(x;λ)=λe−λx F(x;λ)=1−e−λx . Asumsikan r pengamatanpertamasepenuhnya diamati, sedangkan untuk x r + 1 , ... , x n kita hanya tahu bahwa x j > t j untuk beberapa konstanta positif yang diketahui t j . Seperti biasa, kemungkinannya adalah "probabilitas data yang diamati", untuk pengamatan yang disensor, yang diberikan oleh P ( X j > t jG(x;λ)=1−F(x;λ)=e−λx r xr+1,…,xn xj>tj tj , jadi fungsi kemungkinan penuh adalah
L ( λ ) = r ∏ i = 1 f ( x i ; λ ) ⋅ n ∏ i = r + 1 G ( t j ; λ )
Loglikelihood fungsi kemudian menjadi
l ( λ ) = r log λ - λ ( xP(Xj>tj)=G(tj;λ)
Tetapi, bagaimanapun, kesimpulan nyata dari data dalam kasus itu adalah bahwa kita harus menunggu lebih banyak waktu sampai kita mendapatkan beberapa peristiwa ...
sumber