반복 측정 생존 분석친애하는 지역사회 회원 여러분,
30대의 컴퓨터와 5개의 서로 다른 운영 체제에서 8번 반복 수행되는 프로세스의 지속 시간을 분석하고 싶습니다. 첨부된 데이터 파일과 같습니다. 이 데이터도 검열되어 지속 시간이 180초보다 길면 실패로 간주됩니다.
주요 목표는 다음 가설을 테스트하는 것입니다.
1) 운영 체제마다 차이가 있습니까?
2) 시도에 차이가 있나요?
3) 운영체제와 시도 사이에 상호작용이 있나요?
나의 주요 관심사는 재발 분석 플랫폼이 가장 적합한지, 변수를 어떻게 올바르게 정의할 것인가이다.
나는 반복 측정 완전 요인 혼합 모델을 사용하여 이 문제를 해결하려고 시도했지만 합리적으로 동작하는 잔차를 제공하는 만족스러운 변환을 찾을 수 없었습니다. (데이터 테이블의 스크립트)
어떤 아이디어라도 감사하겠습니다.
론
데이터 혼합 및 정리대량 맞춤화Re: 반복 측정 생존 분석매우 감사합니다 @peng_liu ,
이것은 많은 것을 명확하게 해줍니다. 나는 이 해결책을 채택할 것이다.
론
Re: 반복 측정 생존 분석도대체! 인증 실패. 긴 답장을 잃어버렸습니다. 재시작. 내가 한 말은 잊어버리세요...
Weibull 결과는 상호작용이 유의하다는 것을 보여줍니다. 이 스크린샷에서 강조 표시된 장소를 확인하세요.
Parametric Survival의 결과는 요인에 따른 조건부 분포입니다. 따라서 일반적으로 응답인 비교가 모수 추정치를 보고 수행될 수 있는 OLS와는 다릅니다.
여기에서는 Weibull 결과에서 확률 또는 분위수 프로필을 사용하는 것이 좋습니다. Weibull 결과 메뉴에서 이를 켜야 합니다. Quantile 프로파일러를 예로 들어 보겠습니다. 다음 스크린샷을 참조하세요.
실패 확률 = 0.1로 수정하고 OS 및 시도를 변경합니다. 따라서 이 특정 스크린샷의 경우 y축 판독값은 다음과 같습니다. Windows 10 시스템의 경우 8번째 시도에서 시스템의 10%가 0.412137 시간 단위 미만으로 작업을 완료합니다. 그런 다음 OS나 Atempt 또는 둘 다를 변경하여 다양한 시나리오를 비교합니다. 확률을 수정하는 것이 비교를 명확하게 유지하는 열쇠입니다. OS와 Atempt가 주어지면 세 번째 프레임의 곡선인 분위수 곡선은 항상 위로 올라갑니다.
마찬가지로 확률 프로파일러의 경우 다음과 같습니다. 0.412137 시간 단위로 8번째 시도에서 Windows 10 컴퓨터의 10%가 작업을 완료해야 합니다. 그런 다음 OS와 Atempt 또는 둘 다를 변경하여 시나리오를 비교하십시오. 또한 시간을 고정하는 것이 비교를 명확하게 유지하는 열쇠입니다. 마지막 곡선인 분포 곡선은 항상 상승합니다.
콕스 모델도 비슷해 보이네요. 공변량을 사용하여 분포를 맞추는 것으로 생각할 수도 있습니다. 여기서 분포는 반모수적입니다. 그리고 모델은 추가 가정을 부과합니다. 보고서도 비슷해 보입니다. 그러나 모델 추정과 모수 추정에 대한 해석은 상당히 다릅니다. (1) 모수적 생존의 분포 중 어느 것도 데이터에 적합하지 않은 경우, (2) 위험 함수가 비례한다는 가정이 있는 경우에만 해당 경로를 따르겠습니다. 나는 Cox 모델이 이 데이터의 상황을 복잡하게 만들 것이라고 믿습니다.
Re: 반복 측정 생존 분석매우 감사합니다 @peng_liu , 귀하의 답변은 저를 몇 단계 앞으로 나아가게 합니다.
이것이 선형 모델인 경우 상호 작용 항에 대한 사후 테스트를 사용하여 시도 및 운영 체제의 각 조합을 다른 모든 조합과 명시적으로 비교할 수 있습니다. 이 경우에 이러한 모든 비교를 어떻게 하시겠습니까?
이러한 이유로 내가 생각해낸 해결책은 반복되는 측면을 무시하고 각 시도에 대해 Cox 비례 위험 모델을 실행하는 것이었습니다. 거기에는 각 운영 체제 간의 비교가 명시적이었습니다(그러나 시도에 국한됨).
다시 한번 감사드립니다.
론
Re: 반복 측정 생존 분석빠른 응답은 상황을 해결할 수 있는 도구가 아직 없다는 것입니다. 검열을 통한 반복 측정입니다.
측정이 개별 컴퓨터에서 반복된다는 사실을 무시해도 데이터에서 무언가를 얻을 수 있습니다.
제가 한 일은 다음과 같습니다. 데이터를 보기 위한 그래프 빌더 보고서; 일부 모델에 맞는 파라메트릭 생존 보고서 잔여물을 검사하기 위한 수명 분포 보고서; 마지막으로 그래프 빌더 보고서를 통해 데이터와 예측 값을 나란히 볼 수 있습니다.
첫 번째는 OS별로 그룹화되고 컴퓨터 ID로 오버레이된 기간과 시도의 데이터 플롯입니다. 따라서 OS별로는 모두 하향 추세를 나타냅니다. Windows10 시스템은 단단히 유지됩니다. 다른 컴퓨터는 OS에 따라 어느 정도 함께 유지됩니다. IOS와 Linox는 상대적으로 더 올바른 검열 관측치를 가지고 있습니다. 따라서 귀하의 관심에 대한 예비 답변은 Atempt와 OS가 중요하다는 것입니다.
이제 모델을 맞추려고 합니다. 플롯에서 본 내용에 따르면 매개변수적 생존 분석이 적절할 것입니다. 따라서 설정은 분포를 기간에 맞출 수 있는지 확인하는 것이며 분포의 위치 매개변수는 효과의 선형 함수입니다. Scale Effect 탭이 비어 있으므로 분포의 척도 매개변수가 일부 효과의 선형 함수라고 생각하지는 않지만 나중에 중요한지 확인하기 위해 시도할 수 있습니다.
보고서에 따르면 Weibull이 가장 적합하고 Lognormal이 그 뒤를 따릅니다. 또한 개별 배포 보고서에 따르면 효과가 상당합니다.
그런 다음 Weibull 및 Lognormal 결과의 잔차를 다시 테이블에 저장합니다. Life Distribution을 사용하여 살펴보세요. Life Distribution에서 Residual을 Y 역할에 넣을 때 Censor 열은 다음 스크린샷과 같이 Censor 역할로 이동해야 합니다.
로그 정규 잔차를 유사하게 분석하고 두 보고서를 비교합니다. 선형화가 Weibull에 더 잘 맞는 것처럼 보이기 때문에 Weibull이 더 잘 맞는 것 같습니다. 로그노멀에는 더 심각한 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 있으므로 이름을 "Fitted Weibull Median"으로 지정합니다. 그런 다음 "Duration"과 "Fitted Weibull Median"을 쌓고 새 데이터 테이블을 얻습니다. 따라서 원본 테이블의 모든 관측값에 대해 해당 예측 중앙값이 있습니다.
그래프 빌더를 사용하여 데이터와 예측 값을 나란히 놓으면 모델이 꽤 합리적으로 보입니다.
위의 방법이 데이터를 맞추는 유일한 그럴듯한 방법은 아닐 수도 있지만 여기서는 이를 모두 다루지는 않을 것입니다. 업데이트된 데이터 테이블과 누적 데이터 테이블도 첨부합니다.
