新生企业在上市最初几年的死亡风险

2022-4-24 15:09:18

在marketFaustino Prietoa的第一年，新生企业的死亡风险*, Enrique Calder，坎塔布里亚大学桑坦德经济学系，马德里大学CunEF大学定量方法系SPANBB，美国墨尔本大学经济学系西班牙精算研究中心，损坏的年龄和死亡率是如何联系的，并测试了文献中提出的不同假设。为此，我们使用了美国人口普查局发布的1977年至2016年期间美国商业机构的数据，1年分辨率范围为0-5岁。首先，我们探索了生存分析的经典技术（if e表和Peto Turnbull方法）对商业生存分析的适应性。然后，我们考虑了九个参数概率模型，其中大多数在可靠性分析和精算文献中广为人知，具有不同形状的风险函数，我们用最大似然法进行了拟合，并与Akaikei信息标准进行了比较。我们的发现表明，在市场的头五年中，新生企业的失败率似乎随着年龄的增长而下降，但某些年份的头几个月除外，在这些年份中，风险可能会上升。关键词：新生儿存活率；失败率；商业活力。1简介在人生的头几年，简单地生存是新的小企业面临的关键挑战之一。新企业可能会因为多种原因失败[1,2,3,4,5,6,7]，包括内部和外部原因（管理决策不善，不充分*通信作者。电子邮件地址：faustino。prieto@unican.es（F.普里托），sarabiaj@unican.es（J.M.萨拉比亚），恩里克。calderin@unimelb.edu.au（E。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-4-24 15:09:25

Calderin-Ojeda）。资金不足、需求不足、法规等），并且早逝。另一个开放的问题是，在这些年中，企业年龄和死亡率是如何相关的，换句话说，在市场上至关重要的头几年中，新生企业的死亡风险是如何随年龄变化的。关于失败风险（死亡风险）与企业年龄之间关系的不同假设已在文献[8]中提出。其中最为人所知的风险包括：新生的风险、青春期的风险、衰老的风险、过时的风险以及与年龄无关的风险假设。第一个是“新的责任”[9,10]，表明企业倒闭的风险随着企业年龄的增长而下降。在这一假设下，由于一些负面因素对商业的影响随着时间的推移而减少，老龄化赋予了长寿的优势。第二个是青春期的责任[11,12]，它表明，随着初始资源的消耗，企业失败的风险从一开始就上升，直到风险达到最大值，然后随着企业年龄的增长而下降。接下来的两个假设，即衰老的责任[13,14]和过时的责任[15]，都表明，业务失败的风险随着企业年龄的增长而增加，这分别是由于敏捷性的丧失，以及企业竞争力和市场需求之间越来越大的差异，这使得企业更难适应变化。最后，与年龄无关的风险假设[16]表明，商业失败的风险近似恒定，近似独立于商业年龄。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 15:09:31

因此，考虑到所有这些假设，在创业的头几年，作为一名企业家，你会期待什么？老龄化将如何影响一个新的小企业在生命的最后阶段的生存机会？与之前的假设相关的一个相关问题是，企业诞生的时间如何影响其成功的机会。在这种情况下，基于企业寿命在很长一段时间内的分布，对企业死亡风险进行分析，可以将不同失败模式的企业进行分组（周长越长，分组越不均匀），所得结果只表明我们的行为是平均的。为此，在本文中，我们每年进行一次分析，将企业按出生年份分组。衡量商业失败风险的一种广泛使用的技术是危害函数[17,18,19]。该技术基于死亡力的精算概念，在这种情况下，可以定义为企业在时间t（在时间间隔t-tot+dt内）的瞬时死亡概率，前提是企业在时间t之前一直存活[20,21,22]。这个概念可以用h（t）dt=f（t）dt/S（t）来表示，其中h（t）是危险函数（通常称为危险率、失效率或条件失效率），S（t）、f（t）分别是生存和概率密度函数。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-4-24 15:09:36

风险函数h（t）的形状可以帮助我们从经验上检验为解释故障风险和业务年龄之间的关系而提出的各种假设：第一个，新的责任假设，将对应于单调递减的风险函数，换句话说，递减的故障率，可以表示为DFR；第二个是青少年的责任假说，它对应于一个倒置的U形危险函数，一个倒置的浴缸形故障率，表示为单峰或UBT；接下来的两个假设，即衰老和过时的可能性假设，将与单调递增的风险函数相对应，这意味着失效率增加，表示为IFR；最后一个假设是，企业寿命风险独立的假设将对应于一个恒定的危险函数，一个可以表示为常数或CFR的恒定故障率。本研究旨在提供经验证据，证明新生小企业在其生命的第一个五年内是如何死亡的，尤其是在最初的一段时间内，它们的死亡率（失败率）是如何的。为此，我们使用了美国人口普查局发布的1977年至2016年期间美国商业数据，在0-5年的ge范围内，分辨率为1年。为了进行我们的分析，我们使用了两种不同的方法来获得生存函数的非参数估计：一种是适应企业生存分析特点的改进生命表方法，另一种是通过一组非重叠区间给出的区间删失数据样本的闭式分析Peto Turnbull方法。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 15:09:43

然后，我们考虑了九个参数概率模型，其中大多数在可靠性分析和精算文献中广为人知，它们具有不同形状的危险函数（DFR、UBT、IFR、CFR等），我们用最大似然法进行了估计，并用Akaike的信息准则进行了比较。最后，对于能够更好地度量函数优度的模型，分析了模型的形状。本文的其余部分组织如下：在第2节中，我们描述了所使用的数据集；在第3节中，我们详细介绍了本研究所选择的方法；在第4节中，我们提供了经验证据，证明在第一个五年中，故障率随着企业的发展而下降，但在某些年份的头几个月，风险可能会上升；最后，第5.2节给出了结论。在本文中，我们使用了美国人口普查局的商业动态统计（BDS）数据库，这是一个在美国人口普查局网站上发布的公用数据集[23]。特别是，我们在其2014年、2015年和2016年的BDS版本中使用了1977-2016年期间可用的机构年龄表（机构特征数据表）。这些表格提供了在机构层面上，美国机构在该期间每年的年龄分布情况，1年分辨率范围为0-5年，5年分辨率范围为6-25年。对于3月12日的每个Y月，Estabs列给出了每个EstabAge值（机构年龄）的活动（积极就业）机构的数量。此外，列分别列出了过去12个月内出生或死亡的机构数量。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

能者818

2022-4-24 15:09:49

值得注意的是，数据集中Estab Age>0的Estab条目通常具有正值，这可以解释为与前几年未报告的活跃机构相关。在这项研究中，我们选择了年龄在0到5岁之间（时间分辨率为1年）的美国机构，并考虑了从1977年到2011年的35个不同的birt HCO，我们分别分析了它们在生命的前5年。为此，我们遵循了[24，第3.6.1节]中的注释，并在每个时间间隔a s Ij=[aj]进行了注释-1，aj），j=1，k+1，k+1=6区间{[0,1]，[1,2]，…，[5，∞)} 几年后。此外，我们还表示了间隔Ijas Nj开始时的活跃业务数量（由我们的数据集中的Estabs给出）和间隔Ijas Dj期间的死亡人数（由Estabs Exit给出）。此外，我们还表示了每个区间内新加入者的数量Ijas Ej（由我们的数据集中的Estabs条目给出）。例如，表1显示了我们数据集中可用的最后一个队列，2011年1年出生队列（右侧），以及对应于2011-2016年期间（左侧）的BDS原始格式中的数据。首先，2011年3月12日，共有522626家新成立的rn机构存活（参见EstabAge=0和Y ear=2011的thatEstabs=522626），因此，在2011年出生队列的3月至3月间隔I=[0,1]的第一次（j=1）开始时，有52262 6家活跃的机构。然后，从2011年3月12日至2012年3月12日，有ESTABSENT=0名新入职者和EstabsExit=10061 6名死亡（参见Estab Age=1和Y ear=2012）因此，在2011年出生队列的第一个1年间隔I=[0,1]期间，新入组人数和死亡人数分别为E=0和D=100616。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 15:09:55

接下来，在2012年3月12日，Estab=416101家企业成立（参见Estab Age=1和Y ear=2012），因此N=416101，依此类推。最后，2016年3月12日，Estabs=277495 EstatementSalive，因此，对应于区间I=[5，∞)（以年计），我们有277495个。表1:BDS原始格式的观察数据（左侧）和相应的2011年出生队列（右侧）：每1年间隔开始时的活跃机构（Nj）数量，以及该间隔期间的新入职者（Ej）和死亡人数（Dj）。资料来源：美国人口普查局2014、2015和2016年BDS发布。观察数据（数据集）2011年1年出生队列EARESTABSSTABSSTAB EstabsjIj（年）EJJNJAGE（年）出入境[aj]-1，aj）2011 0 522626 516981 0 1[0,1）0 100616 5226262012 1 416101 0 1006162[1,2）10739 59673 41610123 368585 10739 59673 3 3（2,3）9604 44888 3685852014 3 329142 9604 44884[3,4）8475 37860 329 1422015 4 299830 8475 378605[4,5]7541 30658 299830 2016 5 27747541 3066[5]，∞) – 277495 277495总之，我们的企业队列研究将企业视为观察单位[25]，分别考虑了美国企业的35个连续1年出生队列（1977-2011），并通过美国人口普查局发布的1977年至2016年的40次年度普查，分析了企业头5年的死亡率。图1显示了每年3月12日新生美国企业（由Estabs提供，EstabAge=0）的数量（inthousands）（在1977-2011年期间，总共有21741049家机构）。3方法首先，我们根据考虑的35年出生队列（1977-2011年）中的每一个估计生存函数。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 15:10:02

由于我们有区间删失数据，我们使用两种不同的方法获得了生存函数的非参数估计：生命表法[24]和Peto Turnbullmethod[26,27]。一方面，考虑到177197919811983198519871989199119931995199719992001200300200520072011500530590650680710707070701770年美国新生企业数量（单位：千）图1：每年3月12日美国新生企业数量（单位：千），1977年至2011年期间。So urce:2014年、2015年和2016年美国人口普查局发布。不同的人群。另一方面，关于Peto-Turnbull方法，我们使用了生存分布的非参数Peto-Turnbull估计的封闭形式，考虑到我们的区间审查商业数据样本是通过一组不同的非重叠区间给出的，一种闭合形式，在这些区间的端点处与众所周知的经验生存函数相吻合。一旦我们获得了生存函数的两个非参数估计，从每一个考虑的35个1岁出生队列中，我们考虑了从零到完整的线性参数概率模型，具有三个或三个以下的参数，其中大多数在可靠性分析和精算文献中众所周知，我们用最大似然法将这九个模型拟合为2×35非参数估计。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 15:10:09

之后，我们使用Akaike信息准则（AIC）对它们进行了比较。最后，我们分析了具有最佳AIC值的模型/模型的风险函数的形状，以便在经验上和生命的最初阶段，检验提出的不同假设，以解释失败风险和业务年龄之间的关系。3.1小企业死亡率数据的改进寿命表法寿命表法，也称为精算法[28]，是一种经典的生存分析技术。在其标准版本中，时间轴被划分为k+1间隔[0，a]，[aj]-1，aj），[ak，∞), 生存函数S（t）=Pr（t>t）的非参数激励由[24]给出：^Pj=^S（aj）=jYi=1^pi=jYi=1（1- ^qi）=jYi=11.-迪尼- Wi/2, j=1，k+1（1），其中^pj，^qjare是区间Ij=[aj]内企业生存或死亡的条件概率的非参数估计-1，aj），考虑到该机构在Ij之后仍然存在-1.还有Wj≥ 0是在Njat aj报告的提款数量（有效机构）-1.在Ij期间迷失方向，在ajas时未在Nj+1报告ed（不知道他们是死是活）。假设提款平均发生在Ij的中点，遵循均匀分布[2 9]，则无法推断提款的表现形式（1）为Wj/2。我们可以通过下一个表达式计算Wjj:Nj+1=Nj- 流行音乐播音员- Wj，j=1，k、（2）然而，在我们的研究中，BDS数据集还提供了有关年龄Es tab age>0（在区间Ijas Ej中表示）的新进入者ESTAB条目数量的信息，这些信息对应于之前未报告的活跃美国机构。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 15:10:15

此外，我们还发现，在Nj+1at aj报告了一些活跃的机构，但在Nj+1at aj也没有报告-因此，在Ij期间，未死亡但可能也在Ij期间死亡的受审查的机构被称为WEj。图2展示了这个输入/输出过程，其中Ej（到达）和WEj（剩余）在输入端分别等同于Dj（死亡）和Wj（撤回）在输出端。这个输入/输出过程可以分析如下：Nj+1=Nj+Ej+WEj- 流行音乐播音员- Wj。（3）考虑到这一点，我们建议纳入以下要素图2：1年期间活跃机构的存量和流程图j=[aj]-1，aj）。股票：Nj（在aj-1） Nj+1在aj。流出：Dj（死亡）和Wj（撤回）。流动：Ej（抵达）和WEj（剩余）。表达式（1）中的（到达和剩余）如下所示：^Pj=jYi=1^pi=jYi=1（1- ^qi）=jYi=11.-迪尼+Ei- W′i/2, j=1，k+1（4），其中W′j=Wj- 我们还假设Ejan和Wejin都会增加处于风险中的机构的数量（在Wejan和Wj间隔的一半时间内）。另一方面，通过使用等式（3），表达式（2）可以重写为Nj+1=Nj+Ej- 流行音乐播音员- W′j，j=1。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-4-24 15:10:21

，k（5），可用于计算W′j=Wj的值- WEj，可以是正的、负的或零。以表1中给出的2011年出生率为例，表2显示了通过使用表达式（5）计算的W′j值，以及通过表达式（4）给出的修正生命表方法获得的生存函数的非参数估计值^S（aj）。3.2小企业生存分析的分析性Peto-Turnbull方法Peto-Turnbull方法，区间删失数据的Kaplan-Meier估计的扩展[30]，它是一种著名的生存分布S（t）=Pr（t>t）的非参数估计技术，基于迭代过程，通常使用统计软件进行求解。首先，在标准版本中，该程序考虑了一组区间[Li，Ri]，i=1，N、它对应于大小为N的区间删失数据样本，可以包括左删失或右删失数据样本(-∞, [李]，∞) 当Li=Ri（遵循[26,27]中的原始表示法）时的精确观测值。然后，从左端点L={Li，i=1，…，N}和右端点R={Ri，i=1，…，N}的集合中，区间[qj，pj]，j=1，m是通过选择所有可能的区间得出的，其中左端点包含在L中，右端点包含在R中，不包括区间内L或R的其他值。接下来，似然函数表示为：L（s，…，sm）=NYi=1[s（Li）- S（Ri）]=NYi=1“mXj=1αijsj#（6），其中sj=S（qj）- S（pj）和αij=1{[qj，pj] [Li，Ri]}。最后，从一个约束优化问题中得到生存分布的非参数估计，其中目标函数是（6）中表示的似然函数L（s，…，sm），即在约束sj下最大化≥ 0，j=1。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-4-24 15:10:29

，m和pmj=1sj=1。生存函数^S（t）的Peto-Turnbull非参数极大似然估计（NPMLE）如下所示：^S（t）=1，如果t<q，（q6=-∞)1.-kXj=1^sj，如果pk<t<qk+1，k=1，M- 1未定义，如果qk≤ T≤ pk，k=1，m0，如果t>pm，（pm6=∞).（7）为解决该优化问题，已经开发了不同的算法，并在大多数统计软件中实现，例如，R包icenReg和建模函数ic np[3 1,32,3 3]。然而，随着样本量的增加，所有这些算法的收敛速度可能会非常慢。因此，至少在一些常见情况下，生存函数^S（t）的NPMLE的闭合形式将非常有用。在这项工作中，我们对生存函数的NPLME使用了一种封闭形式，考虑到我们的区间删失数据样本是通过一组非重叠区间给出的，在这种情况下，Turnbull的观测正好是那些非重叠区间。在我们的研究中，考虑的35个出生队列中的每一个都是通过一组六个不重叠的区间Ij=[aj]给出的-1，aj），j=1，k+1即（{[0,1]，[1,2]，…，[5，∞)}) 以年为单位（以符号m=k+1=6表示），其频率由Dj（特定时间间隔内的商业死亡人数）给出，其样本大小为N=Pk+1j=1Dj，因此，sj=S（qj）- S（pj）=S（aj-1) - S（aj），j=1，k+1。实际上，“不重叠间隔”的情况并不少见。两个例子：“在时间t、t、…、t进行定期检查，以查看某个事件是否已经发生”[27]，或由于测量仪器分辨率有限而导致的读数错误。然后，在非重叠区间假设下，似然函数（6）可以表示为：L（s。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 15:10:35

，sk+1）=NYi=1[S（Li）- 因此，我们可以从一个非线性规划问题中导出生存分布的非参数估计，其中目标函数是（8）中表示的似然函数L（S，…，sk+1），该似然函数在约束sj下最大化≥ 0，j=1，k+1和pk+1j=1sj=1。这个问题的最佳解决方案是ssj，sk+1= （D/N，…，Dj/N，…，Dk+1/N）和生存函数的Peto-Turnbull非参数极大似然估计（NPMLE）的封闭形式，在作为样本空间的一个划分的非重叠区间下，给出如下（在我们的例子中，我们不能在表达式（7）中得到qk+1=pk，k=1，M- 1）：^S（t）=1.如果没有≤ a1- （D/N+…+Dj/N），如果t=aj，j=1，k+1未定义，如果aj-1<t<aj，j=1，k+1（9）与每个终点t=aj处众所周知的经验生存函数一致，并且在所有其他终点t=aj处未定义∈ （aj）-1，aj），j=1，k+1。根据表1中给出的2011年出生队列的示例，下一个表2显示了生存函数的非参数估计值^S（aj），该值由Peto-Turnbull方法从表达式（9）中提出的闭合形式获得。表2非参数估计（^S（aj），j=1。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 15:10:41

6）生存函数（S（t）=Pr（t>t）），通过使用改进的生命表方法，以及使用分析性Peto-Turnbullmethod和封闭形式，从2011年1年出生队列中获得。j Ij（年）ejjnjw\'j^S（aj）^S（aj）[aj-1，aj（生命表）（佩托·特恩布尔）1[0,1]0 100616 522626 5909 0.8064 0.81752[1,2）10739 59673 416101-1418 0.6938 0.70923[2,3）9604 44888 36854159 0.6110 0.62784[3,4]8475 37860 329142-73 0.5425 0.55915[4,5）7541 30658 299830-782 0.4885 0.50346[5，∞) – 277495 277495 0 0 03.3对新出生的小型企业的风险函数形状进行建模。我们通过使用改进的生命表方法和PetoTurnbull方法的闭合形式，从考虑的35个1岁出生队列中，分别获得了生存函数^S（aj）的非参数估计，我们为这些估计建立了9个参数概率模型，为了分析最适合我们数据集的危害函数h（t）的形状，然后实证检验提出的各种假设，以解释失败风险和业务年龄之间的关系。首先，我们考虑了九个参数概率模型，支持从零到完整，其中包括三个或三个以下的参数，其中大多数在可靠性分析和精算科学中广为人知。表3显示了这九个模型一方面是生存函数S（x），另一方面是危险函数h（x）及其可能的形状。总之，我们考虑了以下四种模型：指数模型，我们称之为EXP[34]；韦布尔，魏[35]；伽马，伽马[36]；广义伽马分布，GGD[37,38]分布。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 15:10:50

所有这些都可以表现出一个恒定的风险函数，使我们能够检验与年龄无关的风险假设。广义伽马分布，包括DFR（降低故障率）、CFR（恒定故障率）、IFR（增加故障率）、UBT（倒置浴缸形状故障率）和额外的U形浴缸行为（BT），将符合之前考虑的所有假设。特别是，DF R与新发性低血压相关，CFR与年龄无关风险假说相关，IFR与衰老或过时相关，UBT与青春期假说相关。此外，广义伽马分布包括伽马模型（对于α=1）、威布尔模型（对于β/α=1）和指数模型（对于α=β=1），作为特殊情况，让我们分别比较具有三个、两个、两个和一个参数的四个模型。第二组由三个模型组成：Lomax，也称为Paretotype II，具有零位参数，PA2[39,40]；Fisk，又称loglogistic，FSK[41]；和Burr类型XII，也称为Singh Maddala，BUR[42,43]，分布。Burr XII型分布包括DFR（降低故障率）和UBT（倒置浴缸形状故障大鼠e），包括Fisk模型（α=1）和Lomax模型（β=1）。第三组两种模型：GeneralizedPower Law族、GPL〔44, 45〕分布和DAGUM，也称为反相席西I，DAG〔46, 47, 48〕分布。GPL分布包括DFR（降低故障率）和UBT（上下浴缸形状故障率），包括Lomax模型（β=0）。Dagum分布有DFR（降低故障率）、UBT（上下浴缸形状故障率）和U形，然后是上下浴缸形状（BT+UBT）危险率。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-4-24 15:10:57

可以注意到，在表3中，所考虑的模型的ha zar d函数的形状很容易从其形状参数的值中识别出来，除了Dagum分布[46]——在这种情况下，我们决定绘制相应的危险函数，并使用统计软件R计算变化点（UBT情况下的最大值和BT情况下的最小值），为了确定它的形状。其次，我们用最大似然法将这九个模型与数据进行了拟合。因此，在非信息审查[32,24]的假设下，每个模型的对数似然函数由log[L（θ）]=Xj=1Djlog[S（aj）给出-1.θ) - S（aj；θ）]（10），其中S（x）=pr（x>x）是所考虑模型（见表3）的生存函数，其参数向量为θ；Ij=[aj-1，aj），j=1，k+1是k+1=6个时间间隔（{[0,1]，[1,2]，…，[5，∞)} 年）；dj是每个间隔Ij期间的企业死亡人数。从表达式（9）可以看出，Dj=N[^S（aj-1) -^S（aj）]，其中^S（t）是生存函数的Peto-Turnbull非参数最大似然估计（NPMLE）。因此，表达式（10）可以写成如下：log[L（θ）]=Xj=1N[^S（aj-1) -^S（aj）]log[S（aj]-1.θ) - S（aj；θ）]。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 15:11:03

（11）在本文中，为了进行比较，我们探索了一种基于第3.1小节中描述的改进生命表方法的长期模型拟合策略，其中表达式（11）中的^S（t）是表达式（1）给出的生存函数的NPMLE。最后，我们使用Akaike的信息标准AIC[49]，定义为AIC=-2原木l + 2K，（12）在哪里记录l 是在最大似然估计下评估的模型的对数似然，K是模型的参数数，其中较低的AIC值表示更好的结果。为了进行比较，对于35个出生队列中的每一个，我们获得了AIC的最小值，表示为AICmin，然后，我们计算了9个模型中每个模型的AIC值 = 艾克- 艾克明[50,51]。之后，我们将这9个模型分为三组，针对每个出生队列：模型具有最佳性能，如下所示： ≤ 2.支持相对较少的模型，givenby 2< ≤ 20; 以及没有实证支持的模型，由 > 20.我们获得了两种生存分析技术的分类：Lif-etable和Peto-Turnbull方法。据我们所知，对于之前的间隔时间没有达成一致意见, 所以我们考虑了第一次间隔 ≤ 2作为一种方法，不仅用于找到最佳模型，还用于比较具有一个差异参数的模型，其中AIC用一个参数（2K=2）惩罚模型，我们考虑了第三个区间 > 20作为[50]和[51]中提出的两种选择的最坏情况。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-4-24 15:11:09

未来研究的一个方向可能是分析比较的最佳切割规则。4实证结果4。1美国新生机构生存率的非参数估计美国企业在其五年的生存率是多少？图3显示了1977年至2016年期间，美国新生儿机构的存活率估计值（单位%），从1年存活率到5年存活率，通过使用改进的生命表方法（通过考虑不同队列中年龄大于0的企业的新条目）以及通过使用生存分布的非参数Peto-Turnbull估计的封闭形式获得（还考虑到我们的区间删失商业数据样本是通过一组不同的非重叠区间给出的）。值得注意的是，根据出生年份和估计方法（生命表法，LT，显示较低的值），大约77%-84%的新生儿机构存活1年或更长时间，64%-73%存活2年或更长时间，55%-63%存活3年或更长时间，47%-56%存活4年或更长时间，只有42%-50%存活第一个5年。197719791981198319851987198919911993199519971999200120032005200720092011404550556065707580851-美国新生儿机构的年出生率估计（%）1-年生存率-特恩布尔法（PT）寿命表法（LT）2-年份感染率SPTLT3-年份SPTLT4-年份SPTLT5-yearsPTLTFigure 3:1977-2016年期间，美国每1年出生队列的新生儿机构存活率估计值（单位%），从1年到5年。资料来源：美国。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 15:11:15

美国人口普查局2014年、2015年和2016年BDS发布。4.2新设施生存分析中的参数估计和模型选择在考虑的九个参数模型中，哪一个似乎比数据更好？图4对应于四个嵌套模型的第一组：指数（EXP）、威布尔（Weibull）、伽马（GAM）和广义伽马（GGD）分布。它显示了这四个模型中的每一个最适合数据的次数（频率）( = 艾克- AICmin<=2），支持率相对较低（2< <= 20），或者没有实证支持( > 20），在1977年至2016年期间（共有35名出生同居者）。一方面，AICmodel排名是通过使用改进的寿命表方法（左面板）获得的，另一方面，通过使用生存分布的非参数Peto Turnbull估计量的闭合形式（右面板）获得的。值得注意的是，广义伽马（GGD）分布在所有35个一年出生队列中以及使用这两种方法时数据最好，指数分布、威布尔分布和伽马分布分别在35、32、30个出生队列（使用生命表法）和35、30、29个出生队列（使用Peto-Turnbull方法）中没有经验支持，在35个出生队列中，只有2个队列的Weibull和Ga mma分布首先与GGD模型相吻合。图5对应于以下三种嵌套模型：Lomax（PA2）、Fisk（FSK）和Burr XII型（BUR）分布。它显示了AIC模型排名，该排名是通过生命表法（左面板）和Peto Turnbull法（右面板）从三个模型中获得的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝