Adattamento di dati discreti nel tempoCiao a tutti,
Spero che alcune persone gentili in questa comunità possano indirizzarmi nella giusta direzione per questa analisi, come suggerimenti per le tecniche o letteratura di esempio di JMP (JMP 13). Sono un po 'nuovo a questo e in cerca di direzione.
Ho un discreto "livello di severità del danno" (che va da 0, 1, 2, 3, 4, 4 è il più grave e zero è nuovo di zecca) e un corrispondente "giorni in uso" (che va continuamente da 0 a 450 giorni) . L'idea è che il mio oggetto subisca danni nel tempo, ma ogni istantanea nel tempo avrà una diversa distribuzione del danno. Ad esempio, a 0 giorni, ci si aspetta che tutto sia nuovo di zecca, ma a 450 giorni, il 20% potrebbe essere il danno di livello 4.
In definitiva mi piacerebbe:
* Determina la distribuzione per 0-4 classifica dei danni entro determinati periodi di tempo, come da 0 a 30 giorni, da 30 a 60, 360-400 ecc. (forse come i parametri di Weibull o i parametri lognormali? Altri suggerimenti?)
* Estrapola queste tendenze per conoscere la distribuzione dei danni a 1500 giorni.
Il dato è molto semplice, prende questo formato:
Articolo n., Giorni in uso, grado di gravità del danno
1, 45, 1
2, 95, 3
3, 188, 3
4, 153, 2
5, 421, 4
6, 355, 4
7, 75, 2
eccetera...
Ri: Adattare dati discreti nel tempoMancano alcune informazioni chiave per poter dare un aiuto costruttivo:
Quante unità esistevano al tempo 0?
Tutte le unità appartengono allo stesso lotto?
Hai più di 1 istantanea in tempo per le valutazioni, ad esempio più unità nuove entrano nel campo mentre altre sono in pensione?
Un'unità verrà restituita non appena viene danneggiata o può passare del tempo? per esempio Come vengono censurati i dati?Ri: Adattare dati discreti nel tempoSalve,
Voglio battere questa discussione e dare più background. Sto ancora cercando una direzione.
Quando un'unità viene classificata come danneggiata, viene "ritirata" (in altre parole, il prodotto viene restituito a noi e noi lo valutiamo. il prodotto non vedrà più uso sul campo).
Un paio di note
* Il tempo è continuo, potrebbe essere 23 giorni, 411 giorni, 96 giorni, ecc.
* Il danno è classificato come: 0 = nuovo, 1 = come nuovo, 2 = giusto, 3 = scarso, 4 = molto scarso
Voglio sapere qual è il grado del 50 ° percentile nel tempo e il 90 ° percentile nel tempo.
Quindi estrapolare questi percentili a 3 anni (~ 1100 giorni). In sostanza, come possiamo capire la "coda lunga" degli utenti pesanti e trasmetterli visivamente.
Ri: Adattare dati discreti nel tempoQualcuno che ne sa più di me dovrà dirigerti (e sono sicuro che lo faranno), ma alcuni pensieri vengono in mente. In primo luogo, i tuoi dati vengono censurati - in qualsiasi momento, la mancanza di danno significa semplicemente che il danno non si è ancora verificato - ma potrebbe (avverrà) verificarsi in seguito. Tuttavia, non penso che un'analisi standard di sopravvivenza funzionerà, dal momento che ho lavorato solo con 0,1 variabili censurate e sembra che tu abbia diversi livelli di danno. Si spera che qualcuno possa fare luce su come gestire questa complicazione.
In secondo luogo, non vedo perché tu voglia inserire la variabile temporale in blocchi temporali. Hai una misura continua di tempo, quindi non lo raggrupperei nei blocchi. Potresti provare uno qualsiasi dei modelli di classificazione (logistica, partizioni, reti neurali, ecc.) Con la variabile danno ordinale come risposta e la variabile temporale (e forse altri) come variabile indipendente. Questo sembrerebbe il modo più semplice per modellarlo.
