La supervivencia de la función $S_{t}$ es una cantidad de interés en muchas (la mayoría?) tipos de eventos el análisis de la historia. Es comúnmente estimado, y 'las curvas de supervivencia" que representa a $S_{t}$ frente al tiempo se utilizan a menudo para comparar la probabilidad acumulativa de eventos entre los diferentes grupos. Las comparaciones estadísticas son a menudo facilitado por inferencia-cosas como la prueba de hipótesis e intervalos de confianza.
Yo y un par de los estadísticos se han enfrentado con varios enfoques diferentes para proporcionar un asintótica analítica estimador de la varianza de la muestra de la función de sobrevivencia ($\sigma^{2}_{\hat{S}_{t}}$) en tiempo discreto evento de la historia de los modelos (a la logit peligro, probit de peligro, etc. modelos), que sería útil para la construcción de las pruebas de hipótesis y los intervalos de confianza.
Resulta que-como mejor me entiende-que, aunque es posible y común para la estimación de la varianza asintótica de sumas de variables aleatorias (como la media de la muestra), la varianza asintótica de productos de variables aleatorias es complicado sticky wicket a estimar.
$$\hat{S}_{t} = \prod^{t}_{i=1}{1-\hat{h}_{i}}$$
donde $\hat{h}_{t}$ es el tiempo discreto función de riesgo en el momento $t$.
Tenemos más o menos dado hasta en un asintótica del estimador de la varianza de que el cachorro, y declaró que las técnicas numéricas como bootstrapping parecen ser nuestros mejores apuestas.