反復測定生存分析コミュニティのメンバーの皆様
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、プロセスが 8 回繰り返し実行される時間を分析したいと考えています。添付のデータファイルのように。このデータも検閲されており、継続時間が 180 秒を超えた場合は単に失敗とみなされます。
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 システムによって違いはありますか?
2) 試行ごと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はありますか?
私の主な関心事は、再発分析プラットフォームが最適であるかどうか、また変数を正しく定義する方法はどうかということです。
私は反復測定の完全要因混合モデルでこれに取り組もうとしましたが、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。 (データテーブル内のスクリプト)
何かアイデアがあれば感謝いたします、
ロン
データのブレンディングとクリーンアップマスカスタマイゼーションRe: 反復対策生存分析どうもありがとうございます。 @peng_liu 、
これにより多くのことが明らかになります。私はこの解決策を採用します。
ロン
Re: 反復対策生存分析てか！ 認証失敗。 長文の返信が消えてしまいました。 再起動。 なんだか自分が言ったこと忘れてしまいそう…
ワイブルの結果は、交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確認してください。
パラメトリック生存の結果は、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推定値を確認することで行うことができます。
ここでは、ワイブル結果で確率プロファイルまたは分位点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これらをオンにする必要があります。 Quantile プロファイラを例に挙げます。次のスクリーンショットを参照してください。
Failure Probability = 0.1 を固定し、OS と Atempt 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では、Y 軸の読み取り値は次のようになります。Windows 10 マシンの場合、8 回目の試行では、10% のマシンが 0.412137 単位の時間未満で操作を終了します。 次に、OS または Atempt、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。 確率を修正することが、比較を明確に保つための鍵となります。 OS と Atempt を考慮すると、3 番目のフレームの曲線である分位数曲線は常に上昇します。
同様に、確率プロファイラーの場合は次のようになります。 それは、0.412137 時間単位までに、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ることを示しています。 次に、OS と Atempt、あるいはその両方を変更してシナリオを比較します。 また、時間を固定することも、比較を明確に保つための鍵となります。 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。 共変量を使用して分布をフィッティングする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。 しかし、モデルとパラメータの推定に関する解釈はまったく異なります。 (1) パラメトリック サバイバルのどの分布もデータに適合しない場合、(2) ハザード関数が比例するという仮定がある場合にのみ、そのルートに進みます。 コックスモデルはこのデータの状況を複雑にするだろうと私は考えています。
Re: 反復対策生存分析どうもありがとうございます。 @peng_liu 、あなたの答えは私をかなり前進させます。
これが線形モデルであれば、相互作用項の事後テストを使用して、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うでしょうか?
このため、私が思いついた解決策も、繰り返される側面を無視し、試行ごとにコックス比例ハザード モデルを実行することでした。 そこでは、各オペレーティング システム間の比較が明確に行われました (ただし、その試みは限定的でした)。
改めて感謝申し上げます。
ロン
Re: 反復対策生存分析すぐに対応できるのは、この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。つまり、打ち切りを使用して繰り返し測定するということです。
測定が個々のコンピューターで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。
私がやったことは次のとおりです。データを確認するためのグラフ ビルダー レポート。いくつかのモデルに適合するパラメトリック生存レポート。残留物を検査するための寿命分布レポート。最後に、データと予測値を並べて確認するためのグラフ ビルダー レポート。
1 つ目は、OS ごとにグループ化され、コンピューター ID ごとに重ねられた、期間と試行回数のデータのプロットです。 したがって、OS ごとに、それらはすべて減少傾向を示しています。 Windows10マシンはしっかりと留まります。 他のマシンは OS ごとに多かれ少なかれ一緒に残ります。 IOS と Linox では、比較的正確に打ち切られた観測結果が得られています。 したがって、あなたの関心に対する予備的な答えは、Atempt と OS が重要であるということです。
次に、モデルを当てはめてみます。 プロットに見られることに基づくと、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、設定は、分布の位置パラメータが効果の線形関数である一方で、分布を期間に適合できるかどうかを確認することです。 [スケール エフェクト] タブは空なので、分布のスケール パラメータが一部のエフェクトの一次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することができます。
レポートでは、ワイブルが最もよく適合し、次に対数正規が続くと述べています。 また、個々の分布レポートでは、効果が顕著であることが示されています。
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。 寿命分布を使用してそれらを確認します。 Residual を Life Distribution の Y ロールに設定すると、次のスクリーンショットのように、Censor 列が 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。 線形化の方がワイブルによりよく適合するように見えるため、ワイブルの方がより良く適合しているように見えます。 対数正規にはさらに重大なねじれがあります。
次に、パラメトリック生存レポートから、ワイブル結果からの「分位数式」を保存します。 「確率」の入力を求めるプロンプトが表示されたら、中央値として 0.5 を入力します。 データ テーブルには追加の列があり、これに「Fitted Weibull Median」という名前を付けます。 次に、「期間」と「適合ワイブル中央値」を積み重ねて、新しいデータ テーブルを取得します。これにより、元のテーブル内のすべての観測値に対して、対応する予測中央値が得られます。
グラフ ビルダーを使用してデータと予測値を並べると、モデルはかなり合理的に見えます。
データを当てはめるもっともらしい方法は上記だけではないかもしれませんが、ここですべてを説明するつもりはありません。 更新データテーブルとスタックデータテーブルも添付します。
