及时拟合离散数据嗨，大家好，
我希望这个社区的某些人可以指出我正确的方向进行这种分析，比如技术建议或JMP示例文献（JMP 13）。我对此有点新意并寻找方向。
我有一个离散的“伤害严重程度排名”（范围从0,1,2,3,4，其中4是最严重的，零是全新的）和相应的“使用天数”（连续范围从0到450天） 。这个想法是我的物品随着时间的推移而受到损害，但每个快照的时间会有不同的伤害分布。例如，在0天，一切都预计是全新的，但在450天，我们可能有20％是4级伤害。
最终我想：
*确定在某些时间段内0-4伤害等级的分布，例如0到30天，30到60,360-400等。（也许像weibull参数或lognormal参数？其他建议？）
*推断这些趋势，以了解1500天的损坏分布。
数据非常简单，采用以下格式：
项目＃，使用天数，损坏严重等级
1,45,1
2,95,3
3,188,3
4,153,2
5,421,4
6,355,4
7,75,2
等等...
Re：及时拟合离散数据缺少一些关键信息可以提供建设性的帮助：
0时存在多少单位？
同一批次的所有单位都是？
您是否在评分时有超过1个快照，例如，其他人退休时是否有更多新单位进入该领域？
一旦损坏或一段时间过去，一个单位会立即归还给你吗？例如 如何审查数据？Re：及时拟合离散数据你好，
我想碰这个帖子并提供更多背景知识。 我还在寻找一些方向。
当一个单位被评级为损坏时，它将“退役”（换句话说，该产品将退还给我们，我们对其进行评分。该产品将不会看到更多的现场使用）。
几个笔记
*时间是连续的，可能是23天，411天，96天等。
*伤害评分为：0 =新，1 =喜欢新，2 =一般，3 =差，4 =非常差
我想知道50百分位等级随着时间的推移是什么，以及90％的等级随着时间的推移。
然后将这些百分位数推断为3年（~1100天）。基本上，我们如何理解重度用户的“长尾”，并在视觉上传达这一点。
Re：及时拟合离散数据一个比我更了解的人将不得不引导你（而且我相信他们会这样），但是想到了一些想法。 首先，您的数据会受到审查 - 在任何时间点，缺乏损害仅仅意味着还没有发生损害 - 但它可能会（稍后）发生。 但是，我不认为标准的生存分析会起作用，因为我只使用了0,1个删失变量，你似乎有不同程度的伤害。 希望有人可以阐明如何处理这种并发症。
其次，我不明白你为什么要把时间变量放到时间块中。 你有一个连续的时间测量，所以我不会将它分组到块中。 您可以尝试任何分类模型（逻辑，分区，神经网络等），其中序数损伤变量作为响应，时间变量（可能还有其他）作为自变量。 这似乎是模拟这种模型最直接的方式。
