Überlebensanalyse mit wiederholten MessungenLiebe Mitglieder der Community,
Ich möchte die Dauer eines Prozesses analysieren, der 8 Mal mit 30 Computern und fünf verschiedenen Betriebssystemen ausgeführt wurde. wie in der angehängten Datei. Diese Daten werden auch zensiert, wenn die Dauer länger als 180 Sekunden war, wurde dies nur als Fehler angesehen.
Das Hauptziel ist es, die folgenden Hypothesen zu testen:
1) Gibt es einen Unterschied zwischen Betriebssystemen?
2) Gibt es einen Unterschied zwischen Versuchen?
3) Gibt es eine Interaktion zwischen Betriebssystemen und Versuchen?
Mein Hauptanliegen ist, ob die Plattform für die Wiederholungsanalyse am besten geeignet ist und wie die Variablen richtig definiert werden.
Ich habe versucht, dies mit einem vollständig faktoriellen gemischten Modell mit wiederholten Messungen anzugehen, konnte jedoch keine zufriedenstellende Transformation finden, die mir vernünftig verhaltende Residuen geben würde. (Skript in der Datentabelle)
wäre dankbar für alle ideen,
Ron
AnalytikAndereBetreff: Überlebensanalyse mit wiederholten MessungenDie schnelle Antwort ist, dass wir noch nicht das Werkzeug haben, um die Situation anzugehen: wiederholte Messung mit Zensur.
Wenn wir die Tatsache ignorieren können, dass die Messungen auf einzelnen Computern wiederholt werden, können wir trotzdem etwas aus den Daten herausholen.
Folgendes habe ich getan: Ein Graph Builder-Bericht zum Anzeigen der Daten; einen parametrischen Überlebensbericht für einige Modelle; einen Lebensverteilungsbericht zur Inspektion von Rückständen; und schließlich einen Graph Builder-Bericht, in dem die Daten und vorhergesagten Werte nebeneinander angezeigt werden.
Zunächst wird die Daten grafisch dargestellt: Dauer vs. Versuch, gruppiert nach Betriebssystem, überlagert mit Computer-ID. Nach Betriebssystem weisen alle einen Abwärtstrend auf. Windows10-Computer bleiben fest. Andere Maschinen bleiben nach Betriebssystem mehr oder weniger zusammen. IOS und Linox haben relativ richtig zensierte Beobachtungen. Eine vorläufige Antwort auf Ihr Interesse ist also, dass Atempt und OS eine Rolle spielen.
Jetzt versuche ich ein Modell zu montieren. Basierend auf dem, was ich in der Darstellung sehe, sollte eine parametrische Überlebensanalyse angemessen sein. Das Setup soll also sehen, ob ich eine Verteilung an Duration anpassen kann, während der Positionsparameter der Verteilung eine lineare Funktion der Effekte ist. Die Registerkarte Skalierungseffekt ist leer, daher denke ich nicht, dass der Skalierungsparameter der Verteilung eine lineare Funktion einiger Effekte ist, aber es kann später versucht werden, um festzustellen, ob es darauf ankommt.
Der Bericht besagt, dass Weibull am besten passt, gefolgt von Lognormal. Auch einzelne Verteilungsberichte zeigen, dass die Auswirkungen signifikant sind.
Ich speichere dann die Residuen der Weibull- und Lognormal-Ergebnisse zurück in die Tabelle. Verwenden Sie die Lebensverteilung, um sie anzusehen. Beachten Sie, dass die Spalte "Zensor" in die Rolle "Zensor" wechseln muss, wenn Residual in die Y-Rolle in "Lebensverteilung" eingefügt wird, wie im folgenden Screenshot dargestellt.
Analysieren Sie die Lognormal-Residuen auf ähnliche Weise und vergleichen Sie die beiden Berichte. Weibull scheint besser zu passen, weil die Linearisierung besser zu Weibull zu passen scheint. Lognormal hat einen deutlicheren Knick.
Dann speichere ich aus dem Parametric Survival-Bericht "Quantile Formula" aus dem Weibull-Ergebnis. Wenn Sie zur Eingabe der Wahrscheinlichkeit aufgefordert werden, geben Sie als Median 0,5 ein. Jetzt hat die Datentabelle eine zusätzliche Spalte, und ich nenne sie "Fitted Weibull Median". Dann staple ich "Duration" und "Fitted Weibull Median" und erhalte eine neue Datentabelle, sodass ich für jede Beobachtung in der Originaltabelle einen entsprechenden vorhergesagten Median habe.
Verwenden Sie Graph Builder, um Daten und vorhergesagte Werte nebeneinander zu platzieren. Das Modell sieht ziemlich vernünftig aus.
Das Obige ist möglicherweise nicht der einzige plausible Weg, um die Daten anzupassen, aber ich werde sie hier nicht erschöpfen. Ich hänge auch die aktualisierte Datentabelle und die gestapelte Datentabelle an.
Betreff: Überlebensanalyse mit wiederholten MessungenVielen Dank @peng_liu Ihre Antwort bringt mich einige Schritte vorwärts.
Wenn dies ein lineares Modell wäre, könnten wir einen Post-Hoc-Test für den Interaktionsterm verwenden, um jede Kombination aus Versuch und Betriebssystem explizit miteinander zu vergleichen. Wie würden Sie in diesem Fall all diese Vergleiche anstellen?
Aus diesem Grund ignorierte ich auch den wiederholten Aspekt und führte für jeden Versuch ein Cox-Proportional-Hazard-Modell durch. Dort war der Vergleich zwischen den einzelnen Betriebssystemen explizit (jedoch auf den Versuch beschränkt).
Vielen Dank noch mal.
Ron
Betreff: Überlebensanalyse mit wiederholten MessungenTeufel! Authentifizierungsfehler. Ich habe meine lange Antwort verloren. Neu starten. Vergiss irgendwie, was ich gesagt habe ...
Das Weibull-Ergebnis zeigt, dass die Wechselwirkung signifikant ist. Sehen Sie sich die hervorgehobenen Stellen in diesem Screenshot an:
Beachten Sie, dass die Ergebnisse von Parametric Survival bedingte Verteilungen unter Berücksichtigung von Faktoren sind. Es unterscheidet sich also ziemlich von OLS, bei dem Vergleiche, bei denen es sich typischerweise um Antworten handelt, anhand der Parameterschätzungen durchgeführt werden können.
Für hier schlage ich vor, entweder Wahrscheinlichkeits- oder Quantilprofile im Weibull-Ergebnis zu verwenden. Sie müssen sie im Weibull-Ergebnismenü aktivieren. Nehmen Sie als Beispiel den Quantil-Profiler. siehe nächster Screenshot.
Ich behebe die Ausfallwahrscheinlichkeit = 0,1 und ändere Betriebssystem und Versuch. Für diesen speziellen Screenshot heißt es auf der y-Achse: Bei Windows 10-Computern beenden 10% der Computer bei der 8. Versuchung den Vorgang unter 0,412137 Zeiteinheiten. Ändern Sie dann das Betriebssystem oder Atempt oder beide, um verschiedene Szenarien zu vergleichen. Die Fixierungswahrscheinlichkeit ist der Schlüssel, um Vergleiche klar zu halten. Bei OS und Atempt steigt die Kurve im dritten Frame, der Quantilkurve, immer an.
Ähnliches gilt für den Wahrscheinlichkeitsprofiler wie folgt. Es lautet: Nach der Zeiteinheit 0,412137 sollten bei 8 Versuch 10% der Windows 10-Computer den Vorgang abschließen. Vergleichen Sie dann die Szenarien, indem Sie das Betriebssystem und Atempt oder beides ändern. Auch die Festlegung der Zeit ist der Schlüssel, um Vergleiche klar zu halten. Die letzte Kurve, die Verteilungskurve, steigt immer an.
Cox-Modell sieht ähnlich aus. Man kann es sich auch als passende Verteilungen mit Kovariaten vorstellen. Beachten Sie, dass die Verteilungen hier semiparametrisch sind. Und das Modell setzt eine zusätzliche Annahme voraus. Die Berichte sehen auch ähnlich aus. Die Interpretationen der Modell- und Parameterschätzungen sind jedoch sehr unterschiedlich. Ich werde diesen Weg nur gehen, wenn (1) keine der Verteilungen in Parametric Survival zu den Daten passt, (2) angenommen wird, dass die Gefahrenfunktionen proportional sind. Ich glaube, dass das Cox-Modell die Situation für diese Daten komplizieren wird.
Betreff: Überlebensanalyse mit wiederholten MessungenVielen Dank @peng_liu ,
Dies verdeutlicht viele Dinge. Ich werde diese Lösung übernehmen.
Ron
