审查通常与截断相比较来描述。Gelman 等人 (2005, p. 235) 对这两个过程进行了很好的描述：

截断数据与截断数据不同，截断点以外的观测计数不可用。删 失后，截断点以外的观察值会丢失，但会观察到它们的数量。

对于高于某个级别（右删失）、低于某个级别（左删失）或两者兼有的值，可能会发生删失或截断。

您可以在下面找到标准正态分布的示例，该分布在点（右）被截断。如果样本被截断，我们没有超出截断点的数据，截断点上方的删失样本值被“四舍五入”到边界值，因此它们在您的样本中被过度表示。$2.0$$2.0$

审查的直观示例是，您询问受访者的年龄，但仅将其记录到某个值，并且所有高于该值的年龄（例如 60 岁）都记录为“60+”。这导致获得非审查值的精确信息，而没有关于审查值的信息。

在互联网上引起了极大关注的波兰 matura考试成绩中观察到的审查并不那么典型，现实生活中的例子。考试在高中结束时进行，学生必须通过考试才能申请高等教育。你能从下图中猜出学生通过考试所需的最低分数是多少？毫不奇怪，如果您在审查边界上方取适当比例的过度代表分数，则可以很容易地“填补”其他正态分布中的“差距”。

在生存分析的情况下

当我们有一些关于个体生存时间的信息，但我们不知道确切的生存时间时，就会发生审查

（克莱因鲍姆和克莱因，2005 年，第 5 页）。例如，你用某种药物治疗患者并观察他们直到研究结束，但你不知道研究结束后他们会发生什么（是否有任何复发或副作用？），你唯一知道的是他们“存活”至少直到研究结束。

您可以在下面找到使用 Kaplan-Meier 估计器建模的Weibull 分布生成的数据示例。蓝色曲线标记在整个数据集上估计的模型，在中间图中，您可以看到删失样本和根据删失数据估计的模型（红色曲线），在右侧您可以看到截断样本和在此类样本上估计的模型（红色曲线）。如您所见，缺失数据（截断）对估计有重大影响，但使用标准生存分析模型可以轻松管理审查。

这并不意味着您不能分析截断的样本，但在这种情况下，您必须使用模型来尝试“猜测”未知信息的缺失数据。

Kleinbaum, DG 和 Klein, M. (2005)。生存分析：自学文本。施普林格。

Gelman, A.、Carlin, JB、Stern, HS 和 Rubin, DB (2005)。贝叶斯数据分析。查普曼和霍尔/CRC。

审查是生存分析的核心。

基本思想是信息被审查，你是看不见的。简单地说，如果您记录样本中每个人死亡之前的生命时间，则获得生命时间的删失分布。如果您认为时间在 X 轴上“向右”移动，这可以称为右删失。

还有其他类型：左审查和窗口审查。参见例如 Allison 的 1984 年关于事件历史分析的文本，该文本由 Sage 出版，以获得指导性介绍。

示例：如果您正在计算人口中的离婚率，您只想包括有离婚风险的个人（即，他们已婚）。如果人们因离婚以外的原因（丧亲、离婚）结束婚姻，那么您需要审查他们。他们不再有离婚的风险。您的 Kaplan-Meier 估计值（和绘图）不应包括在删失时间点之后的删失观测值，但应包括直到该时间点为止的观测值。