重复测量生存分析亲爱的社区成员，
我想分析使用 30 台计算机和 5 个不同操作系统重复执行 8 次的进程的持续时间。如所附数据文件中所示。该数据也会被审查，当持续时间超过 180 秒时，就被视为失败。
主要目的是检验以下假设：
1）操作系统之间有区别吗？
2）尝试之间有区别吗？
3）操作系统和尝试之间是否存在交互？
我主要关心的是递归分析平台是否最合适以及如何正确定义变量。
我试图通过重复测量全阶乘混合模型来解决这个问题，但找不到令人满意的转换来给我提供合理的残差表现。 （数据表中的脚本）
将不胜感激任何想法，
罗恩
数据混合和清理大规模定制回复：重复测量生存分析非常感谢@peng_liu ,
这澄清了很多事情。我将采用这个解决方案。
罗恩
回复：重复测量生存分析哎呀！ 验证失败。 失去了我的长回复。 重新开始。 差点忘记我说的话了...
威布尔结果表明交互作用是显着的。 请参阅此屏幕截图中突出显示的位置：
请注意，参数生存的结果是给定因素的条件分布。 因此，它与 OLS 相当不同，OLS 中的比较（通常是响应）可以通过查看参数估计来完成。
在这里，我建议在威布尔结果中使用概率或分位数配置文件。 您需要在威布尔结果菜单中打开它们。 以分位数刻画器为例；请参阅下一个屏幕截图。
我修复失败概率 = 0.1，并更改操作系统和尝试。 因此，对于这个特定的屏幕截图，y 轴读数显示：对于 Windows 10 计算机，在第 8 次尝试时，10% 的计算机将在 0.412137 个时间单位下完成操作。 然后更改操作系统或尝试，或两者都更改以比较不同的场景。 确定概率是保持比较清晰的关键。 给定 OS 和 Atempt，第三帧中的曲线（分位数曲线）始终向上。
同样，对于概率分析器，如下所示。 其内容为：以 0.412137 时间单位，在第 8 次尝试时，10% 的 Windows 10 计算机应完成该操作。 然后通过更改操作系统和尝试或两者来比较场景。 此外，固定时间也是保持比较清晰的关键。 最后一条曲线，即分布曲线，总是向上的。
考克斯模型看起来很相似。 人们也可以将其视为具有协变量的拟合分布。 请注意，这里的分布是半参数的。 并且该模型强加了一个额外的假设。 这些报告看起来也很相似。 但对模型和参数估计的解释却截然不同。 我只会在以下情况下走这条路：（1）参数生存中的所有分布都不适合数据，（2）假设风险函数是成比例的。 我相信 Cox 模型会使该数据的情况变得复杂。
回复：重复测量生存分析非常感谢@peng_liu ，你的回答让我前进了好几步。
如果这是一个线性模型，我们可以对交互项使用事后测试来明确比较尝试和操作系统的每种组合与其他组合。在这种情况下，您将如何进行所有这些比较？
出于这个原因，我提出的解决方案也是忽略重复的方面，并为每次尝试运行 Cox 比例风险模型。 在那里，每个操作系统之间的比较是明确的（但仅限于尝试）
再一次感谢你。
罗恩
回复：重复测量生存分析快速反应是我们还没有解决这种情况的工具：重复测量和审查。
如果我们可以忽略测量在各个计算机上重复进行的事实，我们仍然可以从数据中得到一些东西。
以下是我所做的：用于查看数据的图形生成器报告；适合某些模型的参数生存报告；用于检查残差的寿命分布报告；最后是图形生成器报告，用于并排查看数据和预测值。
首先是数据图：持续时间与尝试次数，按操作系统分组，按计算机 ID 覆盖。 所以从操作系统来看，它们都呈现下降趋势。 Windows10机器确实保持紧密。 其他机器或多或少通过操作系统保持在一起。 IOS 和 Linox 的右删失观察相对较多。 因此，对您感兴趣的初步答案是尝试和操作系统很重要。
现在我尝试拟合模型。 根据我在图中看到的内容，参数生存分析应该是合适的。 因此，设置是为了看看我是否可以将分布拟合到持续时间，而分布的位置参数是效果的线性函数。 “尺度效应”选项卡是空的，因此我没有考虑分布的尺度参数是某些效应的线性函数，但稍后可以尝试看看它是否重要。
报告称威布尔是最合适的，其次是对数正态。 个人分布报告也显示影响是显着的。
然后，我将威布尔和对数正态结果的残差保存回表中。 使用生命分布来查看它们。 请注意，当将 Residual 放入 Life Distribution 中的 Y 角色时，Censor 列需要转到 Censor 角色，如下图所示。
类似地分析对数正态残差并比较两个报告。 威布尔似乎确实更适合，因为线性化似乎更适合威布尔。 对数正态有一个更重要的问题。
然后，在参数生存报告中，我保存了威布尔结果中的“分位数公式”。 当提示输入“概率”时，输入 0.5 作为中位数。 现在数据表多了一个列，我将其命名为“Fitted Weibull Median”。 然后我堆叠“持续时间”和“拟合威布尔中位数”，并得到一个新的数据表，因此对于原始表中的每个观察值，我都有一个相应的预测中位数。
使用Graph Builder将数据和预测值并排放置，模型看起来相当合理。
上述可能不是拟合数据的唯一合理方法，但我不会在这里穷举它们。 我还附上了更新后的数据表和堆叠数据表。
