用户，
我正在寻找用于审查线性回归的 R 函数。我有以下数据
x1 <- rnorm(100)
x2 <- rnorm(100)
y <- x1 + 2*x2 + rnorm(100,0,0.5)
stat <- rep(1,100)
stat[50:100] <- 0
data <- data.frame(y,x1,x2,stat)
y 是因变量，x1 和 x2 是线性模型中的自变量。变量 y 可以被右删失，此信息在变量 stat 中，其中 1 表示观察到，0 表示删失。如果 stat 为 0，则 y 中的值是观察到的右删失值，并且可能更大。在这里使用 Tobit 模型不是正确的事情，因为 Tobit 模型假设所有观察的限制相同，在我的数据中，每个 y[50:100] 的值都可能有不同的限制。
如果我使用线性回归
lm1 <- lm(y ~ x1 + x2, data=data)
summary(lm1)
没有纳入审查，所以我的想法是使用生存包中的 survreg
library(survival)
s1 <- survreg(Surv(y, stat) ~ x1 + x2, data, dist='gaussian')
summary(s1)
我的问题是，这是实现我目标的正确方法吗？对吗，这里每个删失的观察都可能有自己的限制？
谢谢和最好的问候
安德烈亚斯