删失数据：低于阈值不等于零

“低于5”不是普通空格，它说明真实值位于阈值的一侧。把它改为零，会丢掉已有的区间信息，再增加一个没有依据的精确值。研究应保存不等式，并把范围传递到最终结果。

NIST关于删失的讨论使用可靠性测试：有些失效时间超过观察终点，属于右删失。下文披露阈值例子是区间原则的另一应用，不表示财务指标服从可靠性分布。

分开删失、缺失和截断

删失是观测项目存在，但精确数值只知道落在某范围。左删失可提供上阈值，右删失提供下阈值，区间删失给出两端。每项阈值分别保存，因为公司、期间或来源规则可能不同。

没有任何有据阈值的未知值，是缺失信息，不是被删失的零。截断又不同：规则外的观测可能整行不进入数据。删失行保留了一个分母位置，截断数据却可能连这些对象的数量都不知道。

状态、边界、严格性、单位和来源规则应与数值字段分开。“小于5”不等于“不超过5”。保密抑制单元格还可能遵循其他规则，没有说明就不能直接当成检测限。

假设虚构数据有五项非负观测，两个精确值为8和12，另三个明确写为低于5。目标是五项等权平均。

均值至少为4，且严格小于7。填零得到4，只是下边界，不是已知均值。每项填半阈值2.5得到5.5，但这是一种填补假设；仅凭区间，不能认为阈值下均匀分布。

如果可能存在负值，零下界就不成立；没有其他下限，就无法给有限下界。若一项只知道大于20，没有额外信息也不能给有限上界。边界是否有限，来自可行范围，而不是软件是否允许填数字。

描述研究可以只提供边界，替代值情景则明确标注。精确、左删失、右删失数量与结果并列，不要把所有替换藏在同一数值列。

模型估计可以利用删失信息，但需要明确分布与观察过程假设。如果删失机制与未观察结果相关，方便的方法未必适用。不能因为出现大于号，就直接套某个生存模型名称，要说明目标变量和适用理由。

阈值跨期变化必须保留。低于限制的比例下降，可能是披露门槛降低，而非真实指标改善。应对齐规则，或者说明新规则如何改变结果可识别范围。

AI提取应同时返回原不等式与结构化状态。用小于号、脚注和扫描符号测试；丢掉一个符号，就可能把上边界变成精确测量。纠错后重算关联结果，并保留错误记录。

排序和分位数也会受区间影响。已知阈值可能足够确定某些项目的相对顺序，却不足以确定中位数精确值。不要把为均值设置的替代数，未经说明又拿去排名或做精确相关分析，这会让同一假设扩散到多个结论。

相同披露还可以对应不同精确均值：本例三个删失值若为1、1、1，全体均值4.6；若为4、4、4，则为6.4。两组都满足低于5，直接展示单一均值尚未识别，虽然观测数量已知。若某条记录完全没进入数据，而非保留为低于5，连分母也可能未知，这时不能继续套五项公式。阈值来源应保存原页码或表格位置。

不能保证。取决于未知值分布与观察机制，阈值本身不足以支持。

不是。需要读取规则，可能给出区间、保密处理，或完全没有可用数值边界。