সেন্সরিং প্রায়শই কাটা কাটার সাথে তুলনায় বর্ণনা করা হয় । দুটি প্রক্রিয়াটির চমৎকার বিবরণ জেলম্যান এট আল (2005, পৃষ্ঠা 235) সরবরাহ করেছেন:
কাটা তথ্য ডেটা সেন্সর করা ডেটার থেকে পৃথক যে কাটা পয়েন্টের বাইরে পর্যবেক্ষণের কোনও গণনা উপলব্ধ available সেন্সর করে
কাটা কাটা বিন্দু ছাড়িয়ে পর্যবেক্ষণের মানগুলি হারিয়ে যায় তবে তাদের সংখ্যাটি পর্যবেক্ষণ করা হয়।
সেন্সরিং বা কাটা কাটা কিছু স্তর (ডান-সেন্সরিং) এর কিছু স্তরের (বাম-সেন্সরিং) নীচে বা উভয়ের জন্যই মানগুলির জন্য ঘটতে পারে।
নীচে আপনি স্ট্যান্ডার্ড সাধারণ বিতরণের উদাহরণ খুঁজে পেতে পারেন যা (মধ্যম) পয়েন্টে সেন্সর করা হয়েছে বা (ডানদিকে) কাটা হয়েছে । যদি নমুনাটি কেটে ফেলা হয় তবে কাটছাঁটির উপরে সেন্সর করা নমুনা মানগুলির সাথে আমাদের কাটা বিন্দুর বাইরে কোনও ডেটা নেই, সুতরাং আপনার নমুনায় সেগুলি উপ-উপস্থাপিত হয়।2.02.0
সেন্সরিংয়ের স্বজ্ঞাত উদাহরণটি হ'ল আপনি আপনার উত্তরদাতাদের তাদের বয়স সম্পর্কে জিজ্ঞাসা করেছেন তবে এটি কেবল কোনও মান পর্যন্ত রেকর্ড করুন এবং এই মানটির উপরে থাকা সমস্ত বয়সগুলি, 60 বছর বলে, "60+" হিসাবে রেকর্ড করা আছে। এটি সেন্সরবিহীন মানগুলির জন্য সুনির্দিষ্ট তথ্য এবং সেন্সরকৃত মান সম্পর্কে কোনও তথ্য রাখে।
এতটা সাধারণ নয়, সেন্সরিংয়ের বাস্তব জীবনের উদাহরণটি পোলিশ মাতুরা পরীক্ষার স্কোরগুলিতে দেখা গিয়েছিল যা ইন্টারনেটে বেশ মনোযোগ আকর্ষণ করেছিল । উচ্চ বিদ্যালয়ের শেষে পরীক্ষা নেওয়া হয় এবং উচ্চ শিক্ষার জন্য আবেদন করতে সক্ষম হওয়ার জন্য শিক্ষার্থীদের অবশ্যই এটি পাস করতে হবে। আপনি নীচের প্লটটি থেকে অনুমান করতে পারেন যে শিক্ষার্থীরা ন্যূনতম পরিমাণে কীভাবে পরীক্ষায় উত্তীর্ণ হতে হবে? আশ্চর্যের বিষয় নয়, অন্যথায় সাধারণ বিতরণে "ফাঁক" সহজেই "পূর্ণ" হতে পারে যদি আপনি সেন্সরিংয়ের সীমানার ঠিক উপরে ওভার-প্রতিনিধিত্বকারী স্কোরগুলির উপযুক্ত ভগ্নাংশ নেন।
বেঁচে থাকার বিশ্লেষণের ক্ষেত্রে
সেন্সরিং ঘটে যখন আমাদের বেঁচে থাকার ব্যক্তিগত সময় সম্পর্কে কিছু তথ্য থাকে তবে আমরা বেঁচে থাকার সময়টি ঠিক জানি না
(ক্লিনবাউম এবং ক্লিন, 2005, পৃষ্ঠা 5) উদাহরণস্বরূপ, আপনি কিছু ওষুধ দিয়ে রোগীদের চিকিত্সা করেন এবং অধ্যয়ন শেষ না হওয়া অবধি তাদের পর্যবেক্ষণ করেন, তবে অধ্যয়ন শেষ হওয়ার পরে তাদের কী হবে তা আপনার কোনও অজানা নেই (কোনও রিলপস বা পার্শ্ব প্রতিক্রিয়া ছিল?), আপনি কেবল জানেন যে তারা " " অধ্যয়ন শেষে কমপক্ষে অবধি বেঁচে গেছেন ।
নীচে আপনি কাপলান – মাইর অনুমানকারী ব্যবহার করে ওয়েইবুল বিতরণ মডেলিংয়ের মাধ্যমে উত্পন্ন ডেটার উদাহরণ খুঁজে পেতে পারেন । পুরো ডেটাসেটের উপর ভিত্তি করে নীল বক্ররেখার চিহ্নিত মডেল, মাঝের প্লটটিতে আপনি সেন্সর করা নমুনা এবং সেন্সর করা ডেটা (লাল বক্ররেখায়) অনুমান করা মডেল দেখতে পাবেন, ডানদিকে আপনি কাটা নমুনা এবং এমন নমুনা (লাল বক্ররেখা) হিসাবে অনুমিত মডেল দেখতে পাবেন। আপনি দেখতে পাচ্ছেন, অনুপস্থিত ডেটা (কাটা) অনুমানের উপর উল্লেখযোগ্য প্রভাব ফেলেছে, তবে সেন্সরিং স্ট্যান্ডার্ড বেঁচে থাকা বিশ্লেষণ মডেলগুলি ব্যবহার করে সহজেই পরিচালনা করা যায়।
এর অর্থ এই নয় যে আপনি ছাঁটাই হওয়া নমুনাগুলি বিশ্লেষণ করতে পারবেন না, তবে এই জাতীয় ক্ষেত্রে আপনাকে অজানা তথ্য "অনুমান" করার চেষ্টা করে এমন তথ্য হারিয়ে যাওয়ার জন্য মডেলগুলি ব্যবহার করতে হবে।
ক্লেইনবাউম, ডিজি এবং ক্লেইন, এম (2005)। বেঁচে থাকার বিশ্লেষণ: একটি স্ব-শিক্ষার পাঠ্য। স্প্রিঙ্গের।
গেলম্যান, এ।, কার্লিন, জেবি, স্টার্ন, এইচএস, এবং রুবিন, ডিবি (2005)। বায়েশিয়ান ডেটা বিশ্লেষণ। চ্যাপম্যান অ্যান্ড হল / সিআরসি।