Analisi di sopravvivenza a misure ripetuteCari membri della comunità,
Vorrei analizzare la durata di un processo eseguito 8 volte ripetute con 30 computer e cinque diversi sistemi operativi. come nel file di dati allegato. anche questo dato è censurato, quando la durata era superiore a 180 secondi è stato solo considerato un fallimento.
lo scopo principale è quello di verificare le seguenti ipotesi:
1) c'è una differenza tra i sistemi operativi?
2) c'è differenza tra i tentativi?
3) c'è un'interazione tra sistemi operativi e tentativi?
La mia principale preoccupazione 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 desse dei residui di comportamento ragionevole. (script nella tabella dati)
sarei grato per qualsiasi idea,
Ron
AnaliticaAltroRe: Analisi di sopravvivenza a misure ripetuteGrazie mille @peng_liu ,
Questo chiarisce molte cose. adotterò questa soluzione
ron
Re: Analisi di sopravvivenza a misure ripetuteDiamine! Autenticazione fallita. Ho perso la mia lunga risposta. Ricomincia. Dimentica 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 condizionali dati fattori. Quindi è piuttosto diverso da OLS, da cui i confronti, che sono tipicamente risposte, possono essere fatti guardando le stime dei parametri.
Per qui, suggerisco di utilizzare i profili di probabilità o quantile nel risultato di Weibull. Devi attivarli nel menu dei risultati di Weibull. Prendi il Quantile profiler come esempio; vedi schermata successiva.
Correggo la probabilità di errore = 0.1 e cambio il sistema operativo e il tentativo. Quindi, per questo particolare screenshot, la lettura dell'asse y dice: per le macchine Windows 10, all'8° tentativo, il 10% delle macchine terminerà l'operazione sotto 0,412137 unità di misura del tempo. Quindi cambia OS o Atempt, o entrambi per confrontare diversi scenari. La probabilità di correzione è la chiave per mantenere chiari i confronti. Dati OS e Atempt, la curva nel terzo fotogramma, 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 modificando il sistema operativo e Atempt o entrambi. Anche la correzione del tempo è la chiave per mantenere chiari i confronti. L'ultima curva, curva di distribuzione, sale sempre.
Il modello Cox sembra simile. Si può anche pensare a distribuzioni adatte con covariate. Si noti che le distribuzioni sono semiparametriche qui. E il modello impone un'ipotesi in più. Anche i rapporti sembrano simili. Ma le interpretazioni sul modello e sulle stime dei parametri sono piuttosto diverse. Percorrerò quella 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.
Re: Analisi di sopravvivenza a misure ripetuteGrazie mille @peng_liu , la tua risposta mi fa avanzare di qualche passo.
Se questo fosse un modello lineare, potremmo utilizzare un test post hoc sul termine di interazione per confrontare esplicitamente ogni combinazione di tentativo e Sistema operativo con ogni altra. come faresti per fare tutti questi confronti in questo caso?
per questo motivo, la soluzione che ho trovato è stata anche ignorare l'aspetto ripetuto ed eseguire un modello di rischio proporzionale di Cox per ogni tentativo. Lì, il confronto tra ogni sistema operativo era esplicito (ma limitato al tentativo)
Grazie ancora.
Ron
Re: Analisi di sopravvivenza a misure ripetuteLa risposta rapida è che non abbiamo ancora lo strumento per affrontare la situazione: misure ripetute con la censura.
Se possiamo ignorare il fatto che le misurazioni vengono ripetute sui singoli computer, possiamo comunque ottenere qualcosa dai dati.
Quello che ho fatto è quello che ho fatto: un report di Graph Builder per esaminare i dati; un rapporto di sopravvivenza parametrica per adattarsi ad alcuni modelli; un rapporto di distribuzione vita per l'ispezione dei residui; e infine un report di 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, in base al sistema operativo, presentano tutti una tendenza al ribasso. Le macchine Windows10 restano ben salde. Altre macchine stanno 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 Atempt e OS contano.
Ora provo a montare un modello. Sulla base di ciò che vedo nella trama, un'analisi di sopravvivenza parametrica dovrebbe essere appropriata. Quindi l'impostazione è vedere se posso adattare una distribuzione a Duration, 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 afferma che Weibull è la soluzione migliore, seguito da Lognormal. Anche i rapporti sulla distribuzione individuale mostrano effetti significativi.
Quindi salvo i residui dei risultati di Weibull e Lognormal nella tabella. Usa la distribuzione della vita per guardarli. Nota quando inserisci Residuo nel ruolo Y in Distribuzione vita, la colonna Censore deve andare al ruolo Censore, come quello che c'è nella schermata seguente.
Analizzare i residui lognormali in modo simile e confrontare i due rapporti. Weibull sembra adattarsi meglio, perché la linearizzazione sembra adattarsi meglio a Weibull. Lognormal ha un nodo più significativo.
Quindi, dal report Parametric Survival, salvo "Quantile Formula" dal risultato Weibull. Quando viene richiesto "probabilità", immettere 0,5 per la mediana. Ora la tabella dei dati ha una colonna in più e la chiamo "Fitted Weibull Median". Quindi metto in pila "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 affiancare 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 dati aggiornata e la tabella dati impilata.
