反復測定生存分析コミュニティの皆様、
30台のコンピューターと5つの異なるオペレーティングシステムで8回繰り返し実行されたプロセスの期間を分析したいと思います。添付データファイルのように。このデータも打ち切られます。期間が180秒を超えると、失敗と見なされました。
主な目的は、次の仮説をテストすることです。
1）オペレーティングシステムに違いはありますか？
2）試行の間に違いはありますか？
3）オペレーティングシステムと試行の間に相互作用がありますか？
私の主な関心事は、再発分析プラットフォームが最適かどうか、そして変数を正しく定義する方法です。
反復測定の完全実施要因混合モデルでこれに取り組むことを試みましたが、合理的に動作する残差を与える満足のいく変換を見つけることができませんでした。 （データテーブルのスクリプト）
どんなアイデアにも感謝します、
ロン
分析その他Re：反復測定生存分析迅速な対応は、状況に対処するためのツールがまだないということです。検閲を伴う反復測定です。
個々のコンピューターで測定が繰り返されるという事実を無視できれば、データから何かを得ることができます。
以下は私がしたことです：データを見るためのグラフビルダーレポート。一部のモデルに適合するパラメトリックサバイバルレポート。残差を検査するための生命分布レポート。最後に、グラフビルダーレポートを使用して、データと予測値を並べて確認します。
最初はデータのプロットです：OSごとにグループ化され、コンピューターIDによってオーバーレイされた期間と試行。 したがって、OSによって、それらはすべて下降傾向を示します。 Windows10マシンはしっかりと固定されています。 他のマシンは、OSによって多かれ少なかれ一緒にとどまります。 IOSとLinoxには、比較的適切な打ち切り観測があります。 したがって、あなたの興味に対する予備的な答えは、試行とOSが重要であるということです。
今、私はモデルをフィットさせようとします。 プロットに表示されている内容に基づいて、パラメトリック生存分析が適切であるはずです。 したがって、セットアップでは、分布を期間に適合させることができるかどうかを確認しますが、分布の位置パラメーターは効果の線形関数です。 [スケール効果]タブは空なので、分布のスケールパラメーターが一部の効果の線形関数であるとは考えていませんが、後で試して、それが重要かどうかを確認できます。
レポートによると、ワイブルが最適であり、次に対数正規分布が続きます。 また、個々の分布レポートは、効果が重要であることを示しています。
次に、ワイブルと対数正規の結果からの残差をテーブルに保存します。 それらを見るためにLifeDistributionを使用してください。 次のスクリーンショットのように、ResidualをLife DistributionのYロールに入れると、Censor列をCensorロールに移動する必要があることに注意してください。
対数正規残差を同様に分析し、2つのレポートを比較します。 線形化がワイブルに適しているように見えるため、ワイブルの方が適しているようです。 対数正規には、より重大なねじれがあります。
次に、パラメトリックサバイバルレポートから、ワイブル結果から「QuantileFormula」を保存します。 「確率」の入力を求められたら、中央値として0.5を入力します。 これで、データテーブルに追加の列が追加され、「FittedWeibullMedian」という名前が付けられました。 次に、「Duration」と「Fitted Weibull Median」を積み重ねて、新しいデータテーブルを取得します。したがって、元のテーブルのすべての観測値に対して、対応する予測中央値があります。
グラフビルダーを使用してデータと予測値を並べて配置すると、モデルはかなり合理的に見えます。
上記がデータを適合させる唯一のもっともらしい方法ではないかもしれませんが、ここでそれらを使い果たすつもりはありません。 更新されたデータテーブルとスタックされたデータテーブルも添付します。
Re：反復測定生存分析どうもありがとうございました@peng_liu 、あなたの答えは私をかなりの数のステップに進めます。
これが線形モデルの場合、交互作用項の事後検定を使用して、試行とオペレーティングシステムの各組み合わせを他のすべての組み合わせと明示的に比較できます。この場合、これらすべての比較をどのように行いますか？
このため、私が思いついた解決策は、繰り返される側面を無視し、試行ごとにCox比例ハザードモデルを実行することでもありました。 そこでは、各オペレーティングシステム間の比較が明示的でした（ただし、試行に限定されます）
改めてありがとうございました。
ロン
Re：反復測定生存分析なんてこった！ 認証失敗。 私の長い返事を失った。 再起動。 私が言ったことをちょっと忘れて...
ワイブルの結果は、相互作用が重要であることを示しています。 このスクリーンショットで強調表示されている場所を参照してください。
パラメトリックサバイバルの結果は、因子が与えられた条件付き分布であることに注意してください。 そのため、OLSとはかなり異なります。OLSでは、通常は応答である比較を、パラメーター推定値を調べることで実行できます。
ここでは、ワイブル結果で確率プロファイルまたは分位プロファイルのいずれかを使用することをお勧めします。 ワイブル結果メニューでそれらをオンにする必要があります。 例としてQuantileプロファイラーを取り上げます。次のスクリーンショットを参照してください。
失敗確率= 0.1を修正し、OSと試行を変更します。 したがって、この特定のスクリーンショットの場合、y軸の読み取り値は次のようになります。Windows10マシンの場合、8回目の試行で、マシンの10％が時間測定の0.412137単位未満で操作を終了します。 次に、OSまたは試行、あるいはその両方を変更して、さまざまなシナリオを比較します。 確率を固定することは、比較を明確に保つための鍵です。 OSとAtemptを指定すると、3番目のフレームの曲線である分位曲線は常に上昇します。
同様に、次のような確率プロファイラーの場合。 0.412137時間単位で、8回目の試行で、Windows 10マシンの10％が操作を完了する必要があります。 次に、OSと試行、またはその両方を変更してシナリオを比較します。 また、時間を修正することは、比較を明確に保つための鍵です。 最後の曲線である分布曲線は常に上昇します。
コックスモデルは似ています。 共変量を伴うフィッティング分布と考えることもできます。 ここでは、分布がセミパラメトリックであることに注意してください。 そして、モデルは追加の仮定を課します。 レポートも同様に見えます。 ただし、モデルとパラメーターの推定値に関する解釈はまったく異なります。 （1）パラメトリックサバイバルの分布のいずれもデータに適合しない場合、（2）ハザード関数が比例しているという仮定がある場合にのみ、そのルートに進みます。 Coxモデルはこのデータの状況を複雑にするだろうと私は信じています。
Re：反復測定生存分析どうもありがとうございました@peng_liu 、
これは多くのことを明らかにします。このソリューションを採用します。
ロン
