审查的概念是生存分析和生命数据分析的关键。这个问题也可以通过工业统计进入。在监控单元样本失效所需的时间长度时，您可以

• 完整的数据：一个单元发生故障的确切时间是已知的
• 向右删失：一个单元的失败时间超出了当前运行时间
• 向左删失：已知时间是在某个单元发生故障的时间之后

进入数据组合的其他问题是

• 单独审查：所有未失败的单元都有一个共同的运行时间
• 多重删失：未失败的单元具有不同的运行时间
• 间隔删失：已知失败的时间在一组特定的时间之间。
• 审查时间：审查时间是固定的
• 审查失败：当固定数量的单元失败时停止测试
• 竞争性失效模式：样本单元因不同原因失效

能够处理这些情况的常见分布是：对数正态分布、威布尔分布和极值分布。这些问题变得有趣，因为有处理分析的图形程序以及 MLE 和矩量法方法。

系统可靠性是该主题的一个分支，涉及贝叶斯方法、更新理论和加速寿命测试。Wayne Nelson 和 Bill Meeker 有几本关于这些主题的好书。

关于生存分析

在生存分析或事件发生时间分析中，变量或兴趣测量从起点到兴趣点的时间，例如因某种疾病而死亡。所以响应变量是一个正变量，在大多数情况下是倾斜的。因此，通常的正态假设失败，例如，经典回归技术不适用。（但请注意，有时变量的转换可以使情况变得更好）。但主要区别在于审查：处理时间到事件数据时的一个非常常见的特征。在最常见的形式（右删失）中，您不知道给定个人的确切时间，但您知道它大于某个值。例如，假设您跟踪一位患者直至死亡。当时$t^{\star}$$t=10$天，他还活着。在时间天，他仍然活着，但随后他失去了随访。那么你不知道确切的死亡时间，但你知道。忽略审查显然不是最好的办法。相反，您可以将记录为删失观察。生存分析技术（例如，Kaplan-Meier 估计、Cox 回归等）是专门为处理审查而设计的。$t=30$$t > 30$$t^{\star} = 30$

在我看来，《医学研究中的生存数据建模》作为生存分析的第一本书是一个很好的选择……但还有很多其他的。

5, 10, 12+, 14, 17, 18+, 20+

生存分析的第一个近似描述：分析因变量具有（1）精确值（完整观察值）和（2）已知值高于给定阈值（删失观察值）的数据。以上可能是生存数据样本，没有的值+是精确已知的；的值+已知更多，但不知道更多。（并且有很多扩展。）

正如斯克内克塔迪所指出的，审查是生存分析中的关键问题。如果您的数据集中没有经过审查的观察，您的任务与简单的回归任务没有区别。这也表明兴趣变量不受时间限制，即可以是工资、价格等。$T$

因此，我认为将其称为审查回归或审查分析而不是生存分析可能更合适。