Ajuster des données discrètes dans le tempsSalut à tous,
J'espère que certains membres de cette communauté pourront m'orienter dans la bonne direction pour cette analyse, comme des suggestions de techniques ou des exemples de littérature JMP (JMP 13). Je suis un peu nouveau et cherche des indications.
J'ai un "classement de gravité des dommages" discret (allant de 0, 1, 2, 3, 4, 4 étant le plus grave et zéro, tout neuf) et un "nombre de jours d'utilisation" correspondant (continuellement allant de 0 à 450 jours) . L'idée étant que mon objet augmente de dommages avec le temps, mais chaque instantané dans le temps aura une distribution différente des dégâts. Par exemple, à 0 jour, tout devrait être tout neuf, mais à 450 jours, nous pourrions avoir 20% de dégâts de niveau 4.
En fin de compte je voudrais:
* Déterminez la répartition des dommages 0-4 dans certaines plages de temps, telles que 0 à 30 jours, 30 à 60, 360 à 400, etc. (peut-être comme des paramètres Weibull, ou des paramètres log-normaux? Autres suggestions?)
* Extrapolez ces tendances pour connaître la répartition des dommages à 1500 jours.
Les données sont très simples, prend ce format:
N ° d'article, Nombre de jours d'utilisation, rang de gravité des dommages
1, 45, 1
2, 95, 3
3, 188, 3
4, 153, 2
5, 421, 4
6, 355, 4
7, 75, 2
etc...
Re: Ajuster des données discrètes dans le tempsIl manque certaines informations essentielles pour pouvoir apporter une aide constructive:
Combien d'unités existaient au temps 0?
Toutes les unités appartiennent-elles au même lot?
Avez-vous plus d'un instantané des classements, par exemple, est-ce que plus de nouvelles unités entrent dans le champ alors que d'autres sont à la retraite?
Une unité vous sera-t-elle retournée dès qu'elle est endommagée ou peut-il s'écouler quelque temps? par exemple Comment les données sont-elles censurées?Re: Ajuster des données discrètes dans le tempsSalut,
Je veux cogner ce fil et donner plus de contexte. Je cherche toujours une direction.
Lorsqu'une unité est classée pour les dommages, elle est "retirée" (en d'autres termes, le produit nous est retourné et nous le notons. le produit ne sera plus utilisé sur le terrain).
Quelques notes
* Le temps est continu, cela pourrait être 23 jours, 411 jours, 96 jours, etc.
* Les dommages sont classés comme suit: 0 = nouveau, 1 = comme neuf, 2 = passable, 3 = médiocre, 4 = très médiocre
Je veux savoir ce que la note de 50 percentiles est au fil du temps, et la note de 90 percentiles au fil du temps.
Extrapolez ensuite ces percentiles à 3 ans (~ 1100 jours). Fondamentalement, comment pouvons-nous comprendre la «longue traîne» des gros utilisateurs et le transmettre visuellement?
Re: Ajuster des données discrètes dans le tempsQuelqu'un qui en sait plus que moi devra vous guider (et je suis sûr qu'ils le feront), mais quelques réflexions me viennent à l'esprit. Premièrement, vos données sont censurées - à tout moment, l’absence de dommage signifie simplement que le dommage n’a pas encore eu lieu - mais cela pourrait se produire ultérieurement. Cependant, je ne pense pas qu'une analyse de survie standard fonctionnera, car je n'ai travaillé qu'avec 0,1 variable censurée et que vous semblez avoir des niveaux de dommages différents. Espérons que quelqu'un pourra nous éclairer sur la manière de gérer cette complication.
Deuxièmement, je ne vois pas pourquoi vous voulez mettre la variable de temps en blocs de temps. Vous avez une mesure continue du temps, je ne le regrouperais donc pas dans les blocs. Vous pouvez essayer n'importe lequel des modèles de classification (logistique, partitions, réseaux de neurones, etc.) avec la variable de dommage ordinal comme réponse et la variable de temps (et peut-être d'autres) comme variable indépendante. Cela semblerait le moyen le plus simple de modéliser cela.
