반복 측정 생존 분석커뮤니티 회원 여러분,
30 대의 컴퓨터와 5 개의 다른 운영 체제로 8 번 반복되는 프로세스의 지속 시간을 분석하고 싶습니다. 첨부 된 데이터 파일에서와 같이. 이 데이터도 중도 절단되었는데, 지속 시간이 180 초보다 길면 실패로 간주되었습니다.
주요 목표는 다음 가설을 테스트하는 것입니다.
1) 운영 체제간에 차이가 있습니까?
2) 시도간에 차이가 있습니까?
3) 운영 체제와 시도간에 상호 작용이 있습니까?
내 주요 관심사는 재발 분석 플랫폼이 가장 적합한 지 여부와 변수를 올바르게 정의하는 방법입니다.
반복 측정 전체 요인 혼합 모델을 사용하여이 문제를 해결하려고 시도했지만 합리적으로 작동하는 잔차를 제공 할 만족스러운 변환을 찾을 수 없었습니다. (데이터 테이블의 스크립트)
어떤 아이디어라도 감사 할 것입니다.
Ron
해석학다른Re : 반복 측정 생존 분석빠른 응답은 아직 상황을 해결할 도구가 없다는 것입니다. 검열을 통한 반복 측정입니다.
측정이 개별 컴퓨터에서 반복된다는 사실을 무시할 수 있다면 데이터에서 무언가를 얻을 수 있습니다.
다음은 내가 한 작업입니다. 데이터를보기위한 그래프 빌더 보고서; 일부 모델에 적합한 Parametric Survival 보고서 잔여 물 검사를위한 수명 분포 보고서 마지막으로 그래프 빌더 보고서를 통해 데이터와 예측 값을 나란히 살펴 봅니다.
첫 번째는 데이터 플롯입니다. 기간 대 시도, OS별로 그룹화되고 컴퓨터 ID별로 중첩됩니다. 따라서 OS별로 모두 하락 추세를 보입니다. Windows10 컴퓨터는 단단히 고정됩니다. 다른 컴퓨터는 OS에 의해 어느 정도 함께 유지됩니다. IOS와 Linox는 상대적으로 더 오른쪽 중도 관측치를 가지고 있습니다. 따라서 관심에 대한 예비 답변은 시도와 OS가 중요하다는 것입니다.
이제 모델을 맞추려고합니다. 플롯에서 내가 보는 것을 바탕으로 Parametric Survival 분석이 적절해야합니다. 따라서 설정은 분포의 위치 매개 변수가 효과의 선형 함수 인 동안 분포를 Duration에 맞출 수 있는지 확인하는 것입니다. 척도 효과 탭이 비어 있으므로 분포의 척도 매개 변수가 일부 효과의 선형 함수라고 생각하지 않지만 나중에 문제가 있는지 확인하기 위해 시도 할 수 있습니다.
보고서에 따르면 Weibull이 가장 적합하고 그 다음이 Lognormal입니다. 또한 개별 분포 보고서는 효과가 중요하다는 것을 보여줍니다.
그런 다음 Weibull 및 Lognormal 결과의 잔차를 다시 테이블에 저장합니다. Life Distribution을 사용하여 그들을 봅니다. Life Distribution에서 Residual을 Y 역할에 넣으면 Censor 열이 다음 스크린 샷과 같이 Censor 역할로 이동해야합니다.
로그 정규 잔차를 유사하게 분석하고 두 보고서를 비교합니다. 선형화가 Weibull에 더 잘 맞는 것처럼 보이기 때문에 Weibull이 더 잘 맞는 것 같습니다. Lognormal은 더 중요한 꼬임이 있습니다.
그런 다음 Parametric Survival 보고서에서 Weibull 결과의 "Quantile Formula"를 저장합니다. "확률"을 묻는 메시지가 나타나면 중앙값으로 0.5를 입력합니다. 이제 데이터 테이블에 추가 열이 있으며 이름을 "Fitted Weibull Median"으로 지정합니다. 그런 다음 "Duration"및 "Fitted Weibull Median"을 쌓고 새 데이터 테이블을 얻습니다. 따라서 원래 테이블의 모든 관측치에 대해 해당하는 예측 중앙값이 있습니다.
그래프 빌더를 사용하여 데이터와 예측 값을 나란히 배치하면 모델이 매우 합리적으로 보입니다.
위의 방법이 데이터를 맞추는 유일한 그럴듯한 방법은 아닐지 모르지만 여기서는 그것들을 소진하지 않을 것입니다. 업데이트 된 데이터 테이블과 누적 데이터 테이블도 첨부합니다.
Re : 반복 측정 생존 분석감사합니다 뿡뿡 , 귀하의 답변은 저를 몇 단계 앞으로 나아갑니다.
이것이 선형 모델이라면 상호 작용 용어에 대한 사후 테스트를 사용하여 시도 및 운영 체제의 각 조합을 다른 모든 조합과 명시 적으로 비교할 수 있습니다. 이 경우에 이러한 모든 비교를 어떻게 하시겠습니까?
이런 이유로 내가 생각 해낸 해결책은 반복되는 측면을 무시하고 각 시도에 대해 Cox 비례 위험 모델을 실행하는 것입니다. 거기에서 각 운영 체제 간의 비교는 명시 적이었습니다 (하지만 시도로 제한됨).
다시 한번 감사드립니다.
Ron
Re : 반복 측정 생존 분석젠장! 인증 실패. 긴 답장을 잃었습니다. 재시작. 내가 한 말을 잊어 버려 ...
Weibull 결과는 상호 작용이 유의하다는 것을 보여줍니다. 이 스크린 샷에서 강조 표시된 장소를 확인하세요.
Parametric Survival의 결과는 요인이 주어진 조건부 분포입니다. 따라서 일반적으로 응답 인 비교가 모수 추정치를보고 수행 할 수있는 OLS와는 다소 다릅니다.
여기에서는 Weibull 결과에서 Probability 또는 Quantile 프로필을 사용하는 것이 좋습니다. Weibull 결과 메뉴에서이를 켜야합니다. Quantile 프로파일 러를 예로 들어 보겠습니다. 다음 스크린 샷을 참조하십시오.
실패 확률 = 0.1을 수정하고 OS와 시도를 변경합니다. 따라서이 특정 스크린 샷의 y 축은 Windows 10 컴퓨터의 경우 8th Atempt에서 10 %의 컴퓨터가 시간 측정 단위 0.412137 단위로 작업을 완료합니다. 그런 다음 OS 또는 시도 또는 둘 다를 변경하여 다른 시나리오를 비교하십시오. 확률 고정은 비교를 명확하게 유지하는 열쇠입니다. OS와 시도가 주어지면 세 번째 프레임의 곡선 인 분위수 곡선은 항상 위로 올라갑니다.
마찬가지로 다음과 같은 확률 프로파일 러의 경우. 8 번째 시도에서 0.412137 시간 단위로 Windows 10 컴퓨터의 10 %가 작업을 완료해야합니다. 그런 다음 OS와 시도 또는 둘 다를 변경하여 시나리오를 비교합니다. 또한 시간 고정은 비교를 명확하게 유지하는 열쇠입니다. 마지막 곡선 인 분포 곡선은 항상 올라갑니다.
Cox 모델은 비슷해 보입니다. 또한 공변량을 사용하는 피팅 분포로 생각할 수도 있습니다. 여기서 분포는 반모 수적입니다. 그리고 모델은 추가 가정을 부과합니다. 보고서도 비슷해 보입니다. 그러나 모델 및 모수 추정치에 대한 해석은 상당히 다릅니다. (1) Parametric Survival의 분포가 데이터에 적합하지 않고 (2) 위험 함수가 비례한다는 가정이있는 경우에만 해당 경로로 이동합니다. 나는 Cox 모델이이 데이터의 상황을 복잡하게 할 것이라고 믿습니다.
Re : 반복 측정 생존 분석감사합니다 뿡뿡 ,
이것은 많은 것을 명확히합니다. 이 솔루션을 채택하겠습니다.
론
