Überlebensanalyse mit wiederholten MessungenLiebe Mitglieder der Community,
Ich möchte die Dauer eines Vorgangs analysieren, der 8 Mal wiederholt auf 30 Computern und fünf verschiedenen Betriebssystemen ausgeführt wird. wie in der beigefügten Datendatei. Diese Daten werden ebenfalls zensiert. Wenn die Dauer länger als 180 Sekunden war, wurde dies einfach als Fehler gewertet.
Das Hauptziel besteht darin, die folgenden Hypothesen zu testen:
1) Gibt es einen Unterschied zwischen den Betriebssystemen?
2) Gibt es einen Unterschied zwischen den Versuchen?
3) Gibt es eine Interaktion zwischen Betriebssystemen und Versuchen?
Mein Hauptanliegen ist, ob die Wiederholungsanalyseplattform am besten geeignet ist und wie man die Variablen richtig definiert.
Ich habe versucht, dieses Problem mit einem vollfaktoriellen gemischten Modell mit wiederholten Messungen anzugehen, konnte aber keine zufriedenstellende Transformation finden, die mir vernünftig verhaltende Residuen liefern würde. (Skript in der Datentabelle)
Wäre für jede Idee dankbar,
Ron
Datenmischung und -bereinigungMassenanpassungBetreff: Überlebensanalyse mit wiederholten MessungenVielen Dank @peng_liu ,
Dadurch wird vieles geklärt. Ich werde diese Lösung übernehmen.
Ron
Betreff: Überlebensanalyse mit wiederholten MessungenTeufel! Authentifizierungsfehler. Ich habe meine lange Antwort verloren. Neu starten. Ich vergesse irgendwie, was ich gesagt habe ...
Das Weibull-Ergebnis zeigt, dass die Interaktion signifikant ist. Sehen Sie sich die hervorgehobenen Orte in diesem Screenshot an:
Beachten Sie, dass es sich bei den Ergebnissen des parametrischen Überlebens um bedingte Verteilungen gegebener Faktoren handelt. Es unterscheidet sich also deutlich von OLS, bei dem Vergleiche, bei denen es sich typischerweise um Antworten handelt, anhand der Parameterschätzungen durchgeführt werden können.
Hier schlage ich vor, im Weibull-Ergebnis entweder Wahrscheinlichkeits- oder Quantilprofile zu verwenden. Sie müssen sie im Weibull-Ergebnismenü aktivieren. Nehmen Sie als Beispiel den Quantile-Profiler. siehe nächsten Screenshot.
Ich behebe die Fehlerwahrscheinlichkeit = 0,1 und ändere Betriebssystem und Versuch. Für diesen speziellen Screenshot lautet die Ablesung auf der Y-Achse also: Bei Windows 10-Maschinen werden beim 8. Versuch 10 % der Maschinen den Vorgang unter 0,412137 Zeiteinheiten abschließen. Ändern Sie dann das Betriebssystem oder Atempt oder beide, um verschiedene Szenarien zu vergleichen. Die Bestimmung der Wahrscheinlichkeit ist der Schlüssel, um Vergleiche klar zu halten. Bei OS und Atempt steigt die Kurve im dritten Frame, die Quantilkurve, immer an.
Ähnliches gilt für den Wahrscheinlichkeitsprofiler wie folgt. Es lautet: Nach 0,412137 Zeiteinheiten, beim 8. Versuch, sollten 10 % der Windows 10-Maschinen 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, geht immer nach oben.
Das Cox-Modell sieht ähnlich aus. Man kann es sich auch als Anpassungsverteilungen mit Kovariaten vorstellen. Beachten Sie, dass die Verteilungen hier semiparametrisch sind. Und das Modell erfordert eine zusätzliche Annahme. Auch die Berichte sehen ähnlich aus. Die Interpretationen zu den Modell- und Parameterschätzungen sind jedoch recht unterschiedlich. Ich werde diesen Weg nur gehen, wenn (1) keine der Verteilungen in Parametric Survival zu den Daten passt, (2) die Annahme besteht, dass Gefahrenfunktionen proportional sind. Ich glaube, dass das Cox-Modell die Situation für diese Daten verkomplizieren wird.
Betreff: Überlebensanalyse mit wiederholten MessungenVielen Dank @peng_liu , deine Antwort bringt mich einige Schritte weiter.
Wenn es sich um ein lineares Modell handelte, könnten wir einen Post-hoc-Test des Interaktionsterms verwenden, um jede Kombination aus Versuch und Betriebssystem explizit mit jeder anderen zu vergleichen. Wie würden Sie in diesem Fall all diese Vergleiche anstellen?
Aus diesem Grund bestand die Lösung, die ich gefunden habe, auch darin, den wiederholten Aspekt zu ignorieren und für jeden Versuch ein Cox-Proportional-Hazard-Modell durchzuführen. Dort war der Vergleich zwischen den einzelnen Betriebssystemen explizit (jedoch auf den Versuch beschränkt)
Vielen Dank noch mal.
Ron
Betreff: Überlebensanalyse mit wiederholten MessungenDie schnelle Reaktion ist, dass wir noch nicht über das Werkzeug verfügen, um die Situation anzugehen: wiederholte Maßnahmen mit Zensur.
Wenn wir die Tatsache ignorieren können, dass die Messungen auf einzelnen Computern wiederholt werden, können wir dennoch etwas aus den Daten herausholen.
Folgendes habe ich gemacht: einen Graph Builder-Bericht zum Betrachten der Daten; ein parametrischer Überlebensbericht zur Anpassung an einige Modelle; ein Lebensverteilungsbericht zur Überprüfung der Restbestände; und schließlich ein Graph Builder-Bericht, um die Daten und vorhergesagten Werte nebeneinander zu betrachten.
Zuerst sehen Sie eine Darstellung der Daten: Dauer vs. Versuch, gruppiert nach Betriebssystem, überlagert nach Computer-ID. Nach Betriebssystemen weisen sie also alle einen Abwärtstrend auf. Windows10-Rechner bleiben dicht. Andere Maschinen bleiben je nach Betriebssystem mehr oder weniger zusammen. IOS und Linox haben relativ mehr rechtszensierte Beobachtungen. Eine vorläufige Antwort auf Ihr Interesse ist also, dass Atempt und OS wichtig sind.
Jetzt versuche ich, ein Modell anzupassen. Basierend auf dem, was ich in der Darstellung sehe, sollte eine parametrische Überlebensanalyse angemessen sein. Das Setup besteht also darin, zu sehen, ob ich eine Verteilung an die Dauer anpassen kann, während der Positionsparameter der Verteilung eine lineare Funktion der Effekte ist. Die Registerkarte „Skalierungseffekt“ ist leer, daher gehe ich nicht davon aus, dass der Skalierungsparameter der Verteilung eine lineare Funktion einiger Effekte ist. Sie können ihn jedoch später ausprobieren, um festzustellen, ob er von Bedeutung ist.
Dem Bericht zufolge passt Weibull am besten, gefolgt von Lognormal. Auch einzelne Verteilungsberichte zeigen, dass die Auswirkungen erheblich sind.
Anschließend speichere ich die Residuen der Weibull- und Lognormal-Ergebnisse wieder in der Tabelle. Sie verwenden Life Distribution, um sie anzuzeigen. Beachten Sie, dass die Spalte „Zensor“ auf die Rolle „Zensor“ umgestellt werden muss, wenn „Residual“ in der Lebensverteilung in die Y-Rolle verschoben 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, da die Linearisierung besser zu Weibull passt. Lognormal hat einen größeren Knick.
Dann speichere ich aus dem Parametrischen Überlebensbericht die „Quantilformel“ 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 „Angepasster Weibull-Median“. Dann stapele ich „Dauer“ und „Angepasster 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 die einzig plausible Möglichkeit, die Daten anzupassen, aber ich werde sie hier nicht erschöpfen. Ich füge auch die aktualisierte Datentabelle und die gestapelte Datentabelle bei.
