Censoring dan Truncation dalam Data Survival
Pelajari right, left, dan interval censoring, bagaimana truncation mengubah sampel yang diamati, mengapa censoring independen penting, dan kapan IPCW dapat mengurangi bias
Jawaban langsung
Censoring berarti suatu unit diamati tetapi waktu peristiwa persisnya hanya diketahui sebagian: setelah follow-up terakhir, sebelum observasi pertama, atau di dalam suatu interval. Truncation berbeda—unit masuk ke dataset hanya jika waktu peristiwanya memenuhi aturan pengambilan sampel, sehingga sebagian unit tidak pernah diamati. Estimator survival standar memerlukan censoring yang independen dari waktu peristiwa masa depan, mungkin setelah mengondisikan riwayat yang terukur. Ketika dropout bersifat informatif, inverse-probability-of-censoring weighting dapat membantu hanya jika model censoring, kovariat, dan positivity kredibel
Waktu yang tidak lengkap tetap merupakan informasi
Jika pinjaman yang masih lancar mencapai batas akhir data, waktu default tidak diketahui tetapi diketahui melebihi durasi yang diamati. Membuangnya berarti kehilangan informasi eksposur yang valid
Metode survival mengodekan durasi yang diamati sekaligus apa yang diketahui tentang peristiwa. Record yang di-censor bukan baris yang hilang dan bukan konfirmasi bahwa tidak ada peristiwa selamanya
Setiap alasan censoring harus dicatat secara terpisah. Akhir studi administratif, pelanggan yang menghilang, kegagalan data, dan keluarnya kontrak menyiratkan asumsi yang berbeda
Censoring memiliki beberapa arah
Right censoring menyatakan bahwa peristiwa terjadi setelah waktu terakhir yang diketahui. Ini umum ketika follow-up berakhir sebelum default, churn, atau penutupan
Left censoring menyatakan bahwa peristiwa sudah terjadi sebelum waktu deteksi. Interval censoring menempatkannya di antara dua pemeriksaan tanpa timestamp yang tepat
Mengganti interval dengan titik tengah menciptakan presisi palsu dan dapat membiaskan distribusi. Estimator tipe Turnbull mempertahankan informasi interval secara langsung
Truncation mengubah siapa yang muncul dalam sampel
Dengan left truncation, unit diamati hanya jika bertahan cukup lama untuk masuk. Kegagalan lebih awal tidak ada dalam sampel, bukan hadir dengan waktu yang tidak lengkap
Database dana yang hanya mencakup dana yang masih hidup ketika cakupan dimulai menciptakan seleksi survivorship. Risk set biasa melebihkan dana yang tahan lama
Metode delayed entry menambahkan unit ke risk set hanya pada waktu masuk. Validitas tetap memerlukan entry dan waktu peristiwa masa depan cukup independen setelah mengondisikan kovariat
Censoring independen adalah jembatan tersembunyi
Kaplan–Meier dapat menoleransi censoring yang berkaitan dengan informasi masa lalu yang diamati jika, setelah mengondisikan struktur analisis, censoring tidak mengungkapkan informasi tambahan tentang waktu peristiwa masa depan
Censoring administratif pada satu tanggal tetap sering lebih masuk akal daripada dropout yang disebabkan oleh kualitas kredit yang memburuk atau keluarnya platform yang akan segera terjadi
Asumsi itu tidak dibuktikan oleh persentase censoring yang serupa. Bandingkan alasan, waktu, riwayat kovariat, dan tingkat peristiwa sebelum kehilangan untuk memahami mekanismenya
Solusi naif dapat menciptakan bias baru
Analisis complete-case hanya mempertahankan peristiwa yang diamati dan melebihkan durasi pendek. Memperlakukan censoring sebagai peristiwa mengubah definisi outcome
Memperlakukan setiap unit yang di-censor sebagai bebas peristiwa sampai seluruh horizon akan melebihkan survival. Last observation carried forward memiliki masalah struktural yang sama
Peristiwa bersaing seperti refinancing tidak otomatis merupakan censoring. Jika peristiwa itu mencegah default, masukkan ke estimand competing risk atau analisis hipotetis yang didefinisikan jelas
IPCW memberi bobot ulang pada unit yang masih diamati
Inverse probability of censoring weighting mengestimasi peluang setiap unit untuk tetap dapat diamati dan memberi bobot lebih besar pada riwayat yang mirip dengan unit yang menghilang
Metode ini memerlukan prediktor terukur yang cukup untuk censoring independen bersyarat dan probabilitas observasi positif di seluruh riwayat yang relevan
Probabilitas mendekati nol menciptakan bobot ekstrem dan estimasi yang tidak stabil. Tampilkan distribusi bobot, ukuran sampel efektif, aturan truncation, dan keseimbangan menurut risiko censoring
Dataset keuangan memuat banyak filter observasi
Pinjaman dapat masuk setelah origination, keluar melalui penjualan, refinancing, charge-off, atau perubahan cakupan vendor, masing-masing dengan makna berbeda
Database opsi dapat menghilangkan listing yang sudah kedaluwarsa sebelum tanggal mulai, sedangkan database hedge fund mungkin hanya mengisi kembali riwayat yang berhasil. Ini merupakan masalah seleksi dan truncation
Buat diagram alur dari populasi sumber ke risk set analisis. Dataset besar tidak memperbaiki proses observasi yang selektif
Sensitivitas harus mengubah mekanisme yang hilang
Ulangi estimasi menurut alasan censoring, jendela kalender, batas follow-up, aturan delayed entry, model bobot, dan ambang truncation bobot
Bandingkan karakteristik yang diamati dan outcome sebelumnya dari unit yang di-censor dan yang dipertahankan. Kontrol negatif atau data tertaut dapat mengungkap penyimpangan yang tersembunyi
Laporkan asumsi mana yang mengidentifikasi target, mana yang merupakan diagnostik yang dapat diuji, dan bagaimana kesimpulan berubah di bawah skenario informative censoring yang masuk akal
Pertanyaan umum
Apakah unit yang di-censor sama dengan unit tanpa peristiwa?
Tidak. Unit tersebut bebas peristiwa hanya sampai waktu terakhir yang diamati; apa yang terjadi setelahnya tidak diketahui
Apa perbedaan left truncation dan left censoring?
Unit left-truncated tidak ada kecuali bertahan sampai masuk; unit left-censored diamati tetapi peristiwanya terjadi sebelum waktu tepatnya diketahui
Apakah censoring administratif tidak menimbulkan bias?
Censoring administratif sering lebih dapat dipertahankan, tetapi entry kalender, kohort yang berubah, atau keluarnya studi terkait peristiwa tetap dapat membuatnya informatif
Dapatkah IPCW memperbaiki alasan dropout yang tidak terukur?
Tidak dengan sendirinya. IPCW bergantung pada riwayat teramati yang cukup untuk menjelaskan censoring dan probabilitas follow-up yang tidak nol