及時擬合離散數據嗨，大家好，
我希望這個社區的某些人可以指出我正確的方向進行這種分析，比如技術建議或JMP示例文獻（JMP 13）。我對此有點新意並尋找方向。
我有一個離散的“傷害嚴重程度排名”（範圍從0,1,2,3,4，其中4是最嚴重的，零是全新的）和相應的“使用天數”（連續範圍從0到450天） 。這個想法是我的物品隨著時間的推移而受到損害，但每個快照的時間會有不同的傷害分佈。例如，在0天，一切都預計是全新的，但在450天，我們可能有20％是4級傷害。
最終我想：
*確定在某些時間段內0-4傷害等級的分佈，例如0到30天，30到60,360-400等。（也許像weibull參數或lognormal參數？其他建議？）
*推斷這些趨勢，以了解1500天的損壞分佈。
數據非常簡單，採用以下格式：
項目＃，使用天數，損壞嚴重等級
1,45,1
2,95,3
3,188,3
4,153,2
5,421,4
6,355,4
7,75,2
等等...
Re：及時擬合離散數據缺少一些關鍵信息可以提供建設性的幫助：
0時存在多少單位？
同一批次的所有單位都是？
您是否在評分時有超過1個快照，例如，其他人退休時是否有更多新單位進入該領域？
一旦損壞或一段時間過去，一個單位會立即歸還給你嗎？例如 如何審查數據？Re：及時擬合離散數據你好，
我想碰這個帖子並提供更多背景知識。 我還在尋找一些方向。
當一個單位被評級為損壞時，它將“退役”（換句話說，該產品將退還給我們，我們對其進行評分。該產品將不會看到更多的現場使用）。
幾個筆記
*時間是連續的，可能是23天，411天，96天等。
*傷害評分為：0 =新，1 =喜歡新，2 =一般，3 =差，4 =非常差
我想知道50百分位等級隨著時間的推移是什麼，以及90％的等級隨著時間的推移。
然後將這些百分位數推斷為3年（~1100天）。基本上，我們如何理解重度用戶的“長尾”，並在視覺上傳達這一點。
Re：及時擬合離散數據一個比我更了解的人將不得不引導你（而且我相信他們會這樣），但是想到了一些想法。 首先，您的數據會受到審查 - 在任何時間點，缺乏損害僅僅意味著還沒有發生損害 - 但它可能會（稍後）發生。 但是，我不認為標準的生存分析會起作用，因為我只使用了0,1個刪失變量，你似乎有不同程度的傷害。 希望有人可以闡明如何處理這種並發症。
其次，我不明白你為什麼要把時間變量放到時間塊中。 你有一個連續的時間測量，所以我不會將它分組到塊中。 您可以嘗試任何分類模型（邏輯，分區，神經網絡等），其中序數損傷變量作為響應，時間變量（可能還有其他）作為自變量。 這似乎是模擬這種模型最直接的方式。
