50815_es-ES

liliconcom

Ajuste de datos discretos en el tiempo

Hola a todos, 

Espero que algunas personas amables en esta comunidad puedan orientarme en la dirección correcta para este análisis, como sugerencias de técnicas o ejemplos de literatura JMP (JMP 13). Soy un poco nuevo en esto y busco dirección. 

 

Tengo una "clasificación de severidad de daño" discreta (que va desde 0, 1, 2, 3, 4, siendo 4 la más severa y cero siendo nueva) y un correspondiente "días en uso" (que varía continuamente de 0 a 450 días) . La idea es que mi artículo crezca en daño con el tiempo, pero cada instantánea tendrá una distribución diferente del daño. Por ejemplo, a los 0 días, se espera que todo sea nuevo, pero a los 450 días, podríamos tener un 20% de daño de nivel 4. 

 

En última instancia me gustaría: 

* Determine la distribución para el rango de daño 0-4 dentro de ciertos bloques de tiempo, como de 0 a 30 días, 30 a 60, 360-400, etc. (¿Tal vez como los parámetros de weibull, o los parámetros lognormales? ¿Otras sugerencias?)

* Extrapolar estas tendencias para conocer la distribución de daños a los 1500 días. 

 

Los datos son muy simples, toma este formato:

Número de artículo, días en uso, rango de severidad del daño

1, 45, 1

2, 95, 3

3, 188, 3

4, 153, 2

5, 421, 4

6, 355, 4

7, 75, 2

etc ...

 

Re: Ajustando datos discretos en el tiempoFalta información clave para poder brindar ayuda constructiva:
¿Cuántas unidades existían en el tiempo 0?
¿Son todas las unidades del mismo lote?
¿Tiene más de 1 instantánea en el momento de las calificaciones, por ejemplo, hay más unidades nuevas que ingresan al campo a medida que otras se retiran?
¿Se le devolverá una unidad tan pronto como se dañe o puede pasar algún tiempo? p.ej ¿Cómo se censura la información?Re: Ajustando datos discretos en el tiempo

Hola

Quiero golpear este hilo y dar más antecedentes. Todavía estoy buscando alguna dirección. 

 

Cuando una unidad se califica por daños, se "retira" (en otras palabras, el producto nos es devuelto y lo calificamos). El producto no verá más uso de campo). 

 

Un par de notas

* El tiempo es continuo, podría ser de 23 días, 411 días, 96 días, etc. 

* El daño se califica como: 0 = nuevo, 1 = como nuevo, 2 = justo, 3 = pobre, 4 = muy pobre 

 

Quiero saber cuál es la calificación de 50 percentiles con el tiempo y la calificación de 90 percentiles con el tiempo. 

Luego, extrapole estos percentiles a 3 años (~ 1100 días). Básicamente, ¿cómo podemos entender la 'cola larga' de los usuarios pesados y transmitir esto visualmente? 

Re: Ajustando datos discretos en el tiempo

Alguien que sepa más que yo tendrá que guiarte (y estoy seguro de que lo hará), pero algunos pensamientos vienen a la mente.  Primero, sus datos son censurados: en cualquier momento, la falta de daños simplemente significa que aún no se han producido daños, pero podría ocurrir (más adelante).  Sin embargo, no creo que un análisis de supervivencia estándar funcione, ya que solo he trabajado con 0,1 variables censuradas y parece que tienes diferentes niveles de daño.  Con suerte, alguien puede arrojar luz sobre cómo manejar esa complicación.

 

Segundo, no veo por qué quieres poner la variable de tiempo en bloques de tiempo.  Tiene una medida continua de tiempo, por lo que no lo agruparía en bloques.  Puede probar cualquiera de los modelos de clasificación (logística, particiones, redes neuronales, etc.) con la variable de daño ordinal como respuesta y la variable de tiempo (y quizás otras) como variable independiente.  Esa parece la forma más sencilla de modelar esto.