Plus tôt ce mois-ci, nous avons eu le plaisir d'accueillir Bill Meeker , Professeur distingué d’Arts Libéraux et de Sciences à l’Iowa State University, sur notre Analytiquement parlant série de webémissions. Bill est un auteur reconnu et un expert dans les domaines de l'analyse des données de fiabilité, de la planification des tests de fiabilité, des tests accélérés, de l'évaluation non destructive et de l'informatique statistique. Nos téléspectateurs ont posé tant de bonnes questions à Bill lors de la retransmission en direct, nous n’avons pas eu le temps de toutes les inclure. Pour ceux qui étaient dans la file d'attente, Bill a gentiment fourni des réponses.
Question : Y a-t-il un lien ou une relation entre l'analyse de cohorte et l'analyse de survie? Peuvent-ils être utilisés ensemble? Et si oui, comment se compléteraient-ils?
Réponse Oui, les méthodes d'analyse de cohorte et de survie peuvent être utilisées ensemble pour mieux comprendre le comportement de la population. Dans l'analyse de cohortes, nous stratifions notre population en différents groupes d'unités partageant une caractéristique similaire. Par exemple, nous pourrions stratifier une population de clients potentiels sur la base de la localisation géographique et / ou des expériences passées avec les clients potentiels. Ensuite, nous pourrions, par exemple, faire des analyses de temps séparées pour répondre à une offre de chaque sous-groupe. Le «modèle de sous-population défectueuse» (ou modèle DS) dans lequel on pourrait compter serait un modèle approprié. JMP , dans la plate-forme Life Distribution. Une certaine proportion de la population ne répondra jamais. Ce modèle est également appelé «modèle de population à échec limité» et «modèle de traitement», permettant d'estimer la proportion de la population qui répondra et la distribution du temps de réponse pour chaque sous-groupe. Ce modèle est décrit en détail au chapitre 11 de Meeker et Escobar (1998). Dans Life Distribution et de nombreuses autres plateformes, il existe une option d’analyse «Par» qui permet d’effectuer des analyses distinctes pour chaque cohorte. (Dans JMP 12, il existe une option "Comparaison de groupes" sur la plate-forme Life Distribution pour faciliter encore davantage ces comparaisons.)
Question : Vous avez mentionné la récidive comme une application de la fiabilité. Quels sont d'autres domaines d'application de l'analyse de fiabilité que vous n'avez pas pu mentionner lors de la diffusion sur le Web?
Réponse : Oui, Anne a mentionné la récidive, et c’est certainement une application de l’analyse des données de la vie (aka analyse de survie) méthodes. En fait, il s’agissait d’une des premières applications du «modèle de traitement» mentionné ci-dessus. Il y avait un intérêt dans combien de temps une personne resterait en prison après sa libération. Mais, bien sûr, certaines personnes sont «guéries» et ne reviendront jamais. Il existe d'innombrables applications à ces méthodes, que l'on pourrait généralement appeler applications «time to event». En matière de fiabilité technique, nous sommes souvent préoccupés par le délai avant défaillance ou le délai de retour (d’un produit pour réparation sous garantie). En science alimentaire et dans le développement de nombreux autres produits, on s'intéresse à la durée de conservation. Dans le secteur bancaire, le délai de paiement d'un prêt en souffrance présenterait un intérêt. Dans les applications médicales, le temps de récupération après traitement est intéressant. En sociologie, il pourrait y avoir un intérêt à prendre le temps de divorcer après le mariage. Encore une fois, le modèle de «guérison» pourrait être approprié ici, car une proportion non négligeable de couples ne divorcera jamais. Dans de nombreuses applications, nous ne sommes pas seulement intéressés par le premier événement, mais par la récurrence de certains événements dans le temps. Les exemples incluent la récurrence d'une maladie au fil du temps (p. Ex. Le rhume), les réparations d'une machine, le retour des clients pour davantage d'achats, etc. Des modèles et méthodes spéciaux sont disponibles pour ces données. Encore une fois, je recommande Wayne Nelson 2003 livre sur le sujet comme un bon endroit pour commencer à se renseigner sur l'analyse des données de récurrence. JMP dispose également de méthodes d'analyse performantes pour les données de récurrence.
Question : Avez-vous souvent besoin de convaincre les utilisateurs finaux ou les clients que 25 ou 30 essais sont nécessaires, alors que ces essais sont coûteux et qu’ils ont donc résisté? Si oui, quelle approche utiliseriez-vous?
Réponse : Oui, la question la plus fréquemment posée à tout consultant en statistique est la suivante: "combien d'unités dois-je tester?" Et dans les applications de fiabilité, nous entendons la question connexe "Combien de temps dois-je tester?" planification des expériences de différents types, y compris des expériences de fiabilité telles que des tests de démonstration et des tests de durée de vie accélérée. La théorie derrière les méthodes est impeccable. Lorsque le logiciel indique que vous avez besoin de 30 unités pour atteindre la précision souhaitée, c'est correct. Mais cela pourrait ne pas aider à convaincre les utilisateurs finaux avec des ressources limitées. J'ai trouvé utile de compléter les réponses à la «boîte noire» par des simulations répétées de l'expérience proposée. En général, je passe en revue cinq ou six jeux complets de données simulées, puis résume graphiquement les résultats de 50 expériences simulées. Les résultats du résumé de la simulation présentés graphiquement permettent de visualiser la variabilité que l’on peut s’attendre à voir lors d’expériences répétées et la distance par rapport à la vérité d’un résultat donné. Ces simulations peuvent être utilisées pour comparer différents plans de test candidats (par exemple, différentes tailles d’échantillons). Vous n’avez besoin d’aucune théorie du plan d’expérimentation pour comprendre les implications de la visualisation des résultats de la simulation. Ces simulations pourraient être programmées dans le langage de script JMP, JSL.
Question : Pouvez-vous parler des études de fiabilité en tant qu’un des principaux objectifs d’une expérience conçue, en particulier en ce qui concerne l’approche adoptée avec les méthodes de Taguchi?
Réponse : Méthodes de Taguchi (aka méthodes de conception robustes) fournissent un ensemble d’outils de conception d’expériences pouvant être utilisés pour rendre les produits et les processus plus robustes aux bruits externes, tels que la variabilité dans les matières premières ou la variabilité dans la manière dont un produit est utilisé. Il a été démontré que l'utilisation de ces méthodes présentait un potentiel élevé d'amélioration de la qualité d'un produit ou de la production d'un processus. Parce que la qualité est une condition préalable à une grande fiabilité (rappelons que la fiabilité est une «qualité dans le temps»), l'utilisation habile de méthodes de conception robustes améliorera également la fiabilité. Dans certaines applications, des méthodes de conception robustes peuvent être utilisées pour se concentrer directement sur la fiabilité. Deux livres que je recommande fortement pour ce domaine sont:
Condra, L. (2001). Amélioration de la fiabilité avec la conception de l'expérience. CRC Press.Grove, DM et Davis, TP (1992). Ingénierie, qualité et conception expérimentale . Longman scientifique et technique. Question : Lorsque vous excluez un mode de défaillance, traite-t-il celles-ci comme des données censurées?
Réponse : Dans l'analyse en mode de défaillance multiple, la première étape consiste à estimer les distributions «marginales» pour chaque mode de défaillance. Dans l'hypothèse d'une indépendance des différents modes de défaillance, cela se fait littéralement en créant des ensembles de données distincts pour chacun des différents modes de défaillance, puis en effectuant des analyses distinctes pour chacun. Dans la construction de ces ensembles de données, en mettant l'accent sur un seul mode d'échec, les échecs pour tous les autres modes d'échec sont traités comme étant censurés de façon appropriée (car tout ce que nous savons, c'est que le mode d'échec n'a pas encore été activé) Ceci est fait pour chaque mode d'échec. Ensuite, le soi-disant «modèle de système en série» peut être utilisé pour combiner les estimations des distributions marginales afin d'obtenir une estimation de la distribution des temps de défaillance avec tous les modes de défaillance actifs. Une simple extension de cette approche consiste à fournir une estimation de la distribution des temps de défaillance avec seulement certains des modes de défaillance actifs (pour que vous puissiez voir l'effet de l'élimination d'un ou de plusieurs des autres modes de défaillance). Un logiciel moderne doté de fonctionnalités d'analyse des données de fiabilité, comme JMP, effectuera tout cela automatiquement. Des détails techniques sur ce sujet sont disponibles au chapitre 15 de Meeker et Escobar (1998).
Si vous souhaitez voir le webcast archivé , vous pourrez en apprendre davantage sur la vaste expertise de Bill en statistiques, en fiabilité, etc.
