Analisi della sopravvivenza delle misure ripetuteCari membri della comunità,
Vorrei analizzare la durata di un processo eseguito 8 volte ripetuto con 30 computer e cinque diversi sistemi operativi. come nel file dati allegato. anche questi dati vengono censurati, quando la durata è stata superiore a 180 secondi è stato semplicemente considerato un errore.
lo scopo principale è verificare le seguenti ipotesi:
1) c'è una differenza tra i sistemi operativi?
2) c'è differenza tra i tentativi?
3) esiste un'interazione tra sistemi operativi e tentativi?
La mia preoccupazione principale è se la piattaforma di analisi delle ricorrenze sia la più adatta e come definire correttamente le variabili.
Ho tentato di affrontare questo problema con un modello misto fattoriale completo a misure ripetute, ma non sono riuscito a trovare una trasformazione soddisfacente che mi avrebbe dato dei residui che si comportano ragionevolmente. (script nella tabella dati)
sarei grato per qualsiasi idea,
Ron
AnalyticsAltroOggetto: Analisi della sopravvivenza delle misure ripetuteLa risposta rapida è che non abbiamo ancora lo strumento per affrontare la situazione: misura ripetuta con censura.
Se possiamo ignorare il fatto che le misurazioni vengono ripetute su singoli computer, possiamo ancora ottenere qualcosa dai dati.
Quello che ho fatto io: un report del generatore di grafici per esaminare i dati; un rapporto sulla sopravvivenza parametrica per adattarsi ad alcuni modelli; un rapporto di distribuzione della vita per ispezionare i residui; e infine un report del generatore di grafici per esaminare i dati e i valori previsti fianco a fianco.
Il primo è un grafico dei dati: durata vs. tentativo, raggruppati per sistema operativo, sovrapposti per ID computer. Quindi, per OS, presentano tutti una tendenza al ribasso. Le macchine Windows10 stanno saldamente. Altre macchine rimangono più o meno insieme dal sistema operativo. IOS e Linox hanno osservazioni censurate relativamente più giuste. Quindi una risposta preliminare al tuo interesse è che il tentativo e il sistema operativo sono importanti.
Ora provo ad adattare un modello. Sulla base di ciò che vedo nella trama, dovrebbe essere appropriata un'analisi di sopravvivenza parametrica. Quindi l'impostazione è vedere se posso adattare una distribuzione alla Durata, mentre il parametro di posizione della distribuzione è una funzione lineare degli effetti. La scheda Effetto scala è vuota, quindi non sto considerando che il parametro di scala della distribuzione è una funzione lineare di alcuni effetti, ma può essere provato in seguito per vedere se è importante.
Il rapporto dice che Weibull è la soluzione migliore, seguito da Lognormal. Anche i rapporti di distribuzione individuali mostrano che gli effetti sono significativi.
Quindi salvo i residui dei risultati di Weibull e Lognormal nella tabella. Usa la distribuzione della vita per guardarli. Nota quando metti Residuo nel ruolo Y in Distribuzione vita, la colonna Censore deve andare al ruolo Censore, come quello che è nello screenshot seguente.
Analizza i residui Lognormal in modo simile e confronta i due rapporti. Weibull sembra essere una soluzione migliore, perché la linearizzazione sembra adattarsi meglio a Weibull. Lognormal ha un nodo più significativo.
Quindi dal report Parametric Survival, salvo "Quantile Formula" dal risultato di Weibull. Quando richiede "probabilità", immettere 0,5 per la mediana. Ora la tabella dei dati ha una colonna in più e la chiamo "Fitted Weibull Median". Quindi impilo "Durata" e "Mediana Weibull adattata" e ottengo una nuova tabella di dati, quindi per ogni osservazione nella tabella originale, ho una mediana prevista corrispondente.
Usa Graph Builder per mettere fianco a fianco dati e valori previsti, il modello sembra abbastanza ragionevole.
Quanto sopra potrebbe non essere l'unico modo plausibile per adattare i dati, ma non li esaurirò qui. Allego anche la tabella dei dati aggiornata e la tabella dei dati in pila.
Oggetto: Analisi della sopravvivenza delle misure ripetuteGrazie mille @peng_liu , la tua risposta mi fa avanzare di alcuni passi.
Se questo fosse un modello lineare, potremmo usare un test post hoc sul termine di interazione per confrontare esplicitamente ogni combinazione di tentativo e sistema operativo con ogni altro. come fareste a fare tutti questi confronti in questo caso?
per questo motivo, la soluzione che ho trovato è stata anche ignorare l'aspetto ripetuto e utilizzare un modello di rischio proporzionale di Cox per ogni tentativo. Lì, il confronto tra ciascun sistema operativo era esplicito (ma limitato al tentativo)
Grazie ancora.
Ron
Oggetto: Analisi della sopravvivenza delle misure ripetuteDiamine! Autenticazione fallita. Ho perso la mia lunga risposta. Ricomincia. Un po 'dimenticare quello che ho detto ...
Il risultato di Weibull mostra che l'interazione è significativa. Guarda i luoghi evidenziati in questo screenshot:
Si noti che i risultati di Parametric Survival sono distribuzioni condizionate dati fattori. Quindi è piuttosto diverso da OLS, da cui i confronti, che sono tipicamente risposte, possono essere effettuati guardando le stime dei parametri.
Per qui, suggerisco di utilizzare i profili Probability o Quantile nel risultato di Weibull. Devi attivarli nel menu dei risultati di Weibull. Prendi Quantile profiler come esempio; vedi schermata successiva.
Risolvo la probabilità di errore = 0.1 e cambio OS e Tentativo. Quindi, per questo particolare screenshot, l'asse y letto dice: per le macchine Windows 10, all'8 ° tentativo, il 10% delle macchine finirà l'operazione sotto 0,412137 unità della misura del tempo. Quindi cambia OS o Tentativo, o entrambi per confrontare diversi scenari. La probabilità di fissare è la chiave per mantenere chiari i confronti. Dato OS e Atempt, la curva nel terzo frame, curva quantile, sale sempre.
Allo stesso modo, per Probability profiler come il seguente. Si legge: entro 0,412137 unità di tempo, all'8 ° tentativo, il 10% delle macchine Windows 10 dovrebbe completare l'operazione. Quindi confronta gli scenari cambiando sistema operativo e Tentativo o entrambi. Anche fissare il tempo è la chiave per mantenere chiari i confronti. L'ultima curva, curva di distribuzione, sale sempre.
Il modello di Cox sembra simile. Si può anche pensarlo come distribuzioni adatte con covariate. Notare che le distribuzioni sono semi-parametriche qui. E il modello impone un'ipotesi in più. Anche i rapporti sembrano simili. Ma le interpretazioni sul modello e le stime dei parametri sono molto diverse. Seguirò questa strada solo se (1) nessuna delle distribuzioni in Parametric Survival si adatta ai dati, (2) si presume che le funzioni di rischio siano proporzionali. Credo che il modello di Cox complicherà la situazione per questi dati.
Oggetto: Analisi della sopravvivenza delle misure ripetuteGrazie mille @peng_liu ,
Questo chiarisce molte cose. Adotterò questa soluzione.
ron
