50815_de-DE

liliconcom

Diskrete Daten rechtzeitig anpassen

Hallo allerseits, 

Ich hoffe, einige freundliche Leute in dieser Community können mich für diese Analyse in die richtige Richtung weisen, wie Vorschläge für Techniken oder JMP-Beispielliteratur (JMP 13). Ich bin etwas neu dabei und suche nach einer Richtung. 

 

Ich habe eine diskrete "Bewertung des Schadensschweregrads" (von 0, 1, 2, 3, 4, wobei 4 am schwerwiegendsten ist und null brandneu ist) und ein entsprechendes "Verwendungsdatum" (kontinuierlich zwischen 0 und 450 Tagen). . Die Idee ist, dass mein Gegenstand im Laufe der Zeit an Schaden zunimmt, aber jede Momentaufnahme wird eine unterschiedliche Verteilung des Schadens haben. Bei 0 Tagen wird zum Beispiel erwartet, dass alles brandneu ist, aber bei 450 Tagen könnten 20% Schaden der Stufe 4 sein. 

 

Letztendlich möchte ich: 

* Bestimmen Sie die Verteilung für 0-4 Schadensrang innerhalb bestimmter Zeitblöcke, wie 0 bis 30 Tage, 30 bis 60, 360-400 usw. (Vielleicht wie weibliche Parameter oder lognormale Parameter? Andere Vorschläge?)

* Extrapoliere diese Trends, um die Schadenverteilung bei 1500 Tagen zu kennen. 

 

Daten sind sehr einfach, nimmt dieses Format:

Artikel Nr., Verwendete Tage, Schweregrad des Schadens

1, 45, 1

2, 95, 3

3, 188, 3

4, 153, 2

5, 421, 4

6, 355, 4

7, 75, 2

usw...

 

Betreff: Anpassung diskreter Daten rechtzeitigEs fehlen einige wichtige Informationen, um konstruktiv helfen zu können:
Wie viele Einheiten gab es zum Zeitpunkt 0?
Sind alle Einheiten aus dem gleichen Los?
Haben Sie mehr als 1 Momentaufnahme der Einstufung, z. B. betreten mehr neue Einheiten das Feld, während andere zurückgezogen werden?
Wird ein Gerät an Sie zurückgeschickt, sobald es beschädigt ist oder kann etwas Zeit vergehen? z.B Wie werden die Daten zensiert?Betreff: Anpassung diskreter Daten rechtzeitig

Hallo,

Ich möchte diesen Thread stoßen und mehr Hintergrund geben. Ich suche immer noch nach einer Richtung. 

 

Wenn eine Einheit auf Beschädigung eingestuft wird, wird sie "zurückgezogen" (das heißt, das Produkt wird an uns zurückgeschickt und wir klassifizieren es. das Produkt sieht keine weitere Verwendung im Feld). 

 

Ein paar Notizen

* Die Zeit ist kontinuierlich, es können 23 Tage, 411 Tage, 96 Tage usw. sein. 

* Der Schaden wird wie folgt eingestuft: 0 = neu, 1 = wie neu, 2 = angemessen, 3 = schlecht, 4 = sehr schlecht 

 

Ich möchte wissen, was die 50-Prozent-Note im Zeitverlauf ist, und die 90-Prozent-Note im Zeitverlauf. 

Dann extrapolieren Sie diese Perzentile auf 3 Jahre (~ 1100 Tage). Wie können wir im Grunde den "langen Schwanz" schwerer Benutzer verstehen und visuell vermitteln. 

Betreff: Anpassung diskreter Daten rechtzeitig

Jemand, der mehr weiß als ich, wird Sie steuern müssen (und ich bin mir sicher, dass sie es tun werden), aber ein paar Gedanken kommen mir in den Sinn.  Erstens werden Ihre Daten zensiert - zu einem beliebigen Zeitpunkt bedeutet ein Mangel an Schaden lediglich, dass noch kein Schaden aufgetreten ist - er kann jedoch später auftreten.  Ich denke jedoch nicht, dass eine Standard-Überlebensanalyse funktionieren wird, da ich nur mit 0,1 zensierten Variablen gearbeitet habe und Sie scheinbar unterschiedliche Schadensstufen haben.  Hoffentlich kann jemand ein Licht auf den Umgang mit dieser Komplikation werfen.

 

Zweitens verstehe ich nicht, warum Sie die Zeitvariable in Zeitblöcke setzen wollen.  Sie haben ein kontinuierliches Maß an Zeit, also würde ich sie nicht in die Blöcke gruppieren.  Sie können eines der Klassifizierungsmodelle (Logistik, Partitionen, neuronale Netze usw.) mit der ordinalen Schadensvariablen als Antwort und der Zeitvariable (und möglicherweise anderen) als unabhängige Variable ausprobieren.  Dies scheint der einfachste Weg, dies zu modellieren.