Analyse de survie à mesures répétéesChers membres de la communauté,
Je voudrais analyser la durée d'un processus exécuté 8 fois de manière répétée avec 30 ordinateurs et 5 systèmes d'exploitation différents. comme dans le fichier de données joint. ces données sont également censurées, lorsque la durée était supérieure à 180 secondes, elles étaient simplement considérées comme un échec.
l'objectif principal est de tester les hypothèses suivantes:
1) Y a-t-il une différence entre les systèmes d'exploitation?
2) Y a-t-il une différence entre les tentatives?
3) Y a-t-il une interaction entre les systèmes d'exploitation et les tentatives?
Ma principale préoccupation est de savoir si la plateforme d'analyse de récurrence est la plus adaptée et comment définir correctement les variables.
J'ai tenté de résoudre ce problème avec un modèle mixte factoriel complet à mesures répétées, mais je n'ai pas trouvé de transformation satisfaisante qui me donnerait des résidus de comportement raisonnable. (script dans la table de données)
serait reconnaissant pour toutes les idées,
Ron
AnalytiqueAutreRe: Analyse de survie à mesures répétéesLa réponse rapide est que nous n'avons pas encore l'outil pour faire face à la situation: mesure répétée avec censure.
Si nous pouvons ignorer le fait que les mesures sont répétées sur des ordinateurs individuels, nous pouvons toujours tirer quelque chose des données.
Voici ce que j'ai fait: un rapport Graph Builder pour examiner les données; un rapport de survie paramétrique pour s'adapter à certains modèles; un rapport Life Distribution pour inspecter les résidus; et enfin un rapport Graph Builder pour regarder les données et les valeurs prédites côte à côte.
Le premier est un graphique des données: Durée vs tentative, regroupées par système d'exploitation, superposées par ID d'ordinateur. Donc, par OS, ils présentent tous une tendance à la baisse. Les machines Windows10 restent hermétiques. D'autres machines restent plus ou moins ensemble par OS. IOS et Linox ont des observations censurées relativement plus à droite. Donc, une réponse préliminaire à votre intérêt est que Atempt et OS comptent.
Maintenant, j'essaye d'adapter un modèle. D'après ce que je vois dans le graphique, une analyse de survie paramétrique devrait être appropriée. La configuration consiste donc à voir si je peux ajuster une distribution à la durée, tandis que le paramètre de localisation de la distribution est une fonction linéaire des effets. L'onglet Scale Effect est vide, donc je ne considère pas que le paramètre d'échelle de la distribution est une fonction linéaire de certains effets, mais il peut être essayé plus tard pour voir si cela compte.
Le rapport indique que Weibull est le meilleur ajustement, suivi de Lognormal. Les rapports de distribution individuels montrent également que les effets sont importants.
Je sauvegarde ensuite les résidus des résultats Weibull et Lognormal dans la table. Utilisez Life Distribution pour les regarder. Remarquez que lorsque vous placez Residual dans le rôle Y dans Life Distribution, la colonne Censor doit accéder au rôle Censor, comme dans la capture d'écran suivante.
Analysez les résidus lognormaux de la même manière et comparez les deux rapports. Weibull semble être un meilleur ajustement, car la linéarisation semble mieux convenir à Weibull. Lognormal a un pli plus important.
Ensuite, à partir du rapport Parametric Survival, j'enregistre "Quantile Formula" du résultat Weibull. Lorsqu'il demande «probabilité», entrez 0,5 pour la médiane. Maintenant, la table de données a une colonne supplémentaire, et je la nomme "Fitted Weibull Median". Ensuite, j'empile "Durée" et "Médiane Weibull ajustée", et j'obtiens un nouveau tableau de données, donc pour chaque observation du tableau d'origine, j'ai une médiane prédite correspondante.
Utilisez Graph Builder pour mettre côte à côte les données et les valeurs prévues, le modèle semble assez raisonnable.
Ce qui précède n'est peut-être pas le seul moyen plausible d'ajuster les données, mais je ne vais pas les épuiser ici. Je joins également la table de données mise à jour et la table de données empilées.
Re: Analyse de survie à mesures répétéesMerci beaucoup @peng_liu , votre réponse me fait avancer de quelques pas.
S'il s'agissait d'un modèle linéaire, nous pourrions utiliser un test post hoc sur le terme d'interaction pour comparer explicitement chaque combinaison de tentative et de système d'exploitation avec toutes les autres. comment feriez-vous toutes ces comparaisons dans ce cas?
pour cette raison, la solution que j'ai trouvée était également d'ignorer l'aspect répété et d'exécuter un modèle de risque proportionnel de Cox pour chaque tentative. Là, la comparaison entre chaque système d'exploitation était explicite (mais limitée à la tentative)
Merci une fois de plus.
Ron
Re: Analyse de survie à mesures répétéesZut! Échec de l'authentification. J'ai perdu ma longue réponse. Redémarrer. Un peu oublier ce que j'ai dit ...
Le résultat de Weibull montre que l'interaction est significative. Voir les lieux en surbrillance dans cette capture d'écran:
Notez que les résultats de la survie paramétrique sont des distributions conditionnelles en fonction de facteurs. C'est donc assez différent de l'OLS, à partir duquel des comparaisons, qui sont généralement des réponses, peuvent être effectuées en examinant les estimations des paramètres.
Pour ici, je suggère d'utiliser des profils de probabilité ou de quantile dans le résultat de Weibull. Vous devez les activer dans le menu des résultats de Weibull. Prenons l'exemple du profileur Quantile; voir la capture d'écran suivante.
Je fixe la probabilité d'échec = 0,1 et change le système d'exploitation et la tentative. Donc, pour cette capture d'écran particulière, la lecture de l'axe y indique: pour les machines Windows 10, à la 8e tentative, 10% des machines termineront l'opération sous 0,412137 unité de mesure de temps. Modifiez ensuite le système d'exploitation ou la tentative, ou les deux pour comparer différents scénarios. La correction de la probabilité est la clé pour que les comparaisons soient claires. Compte tenu du système d'exploitation et de la tentative, la courbe de la troisième image, la courbe des quantiles, monte toujours.
De même, pour le profileur de probabilité comme suit. Il lit: par unité de temps 0,412137, à la 8e tentative, 10% des machines Windows 10 devraient terminer l'opération. Ensuite, comparez les scénarios en modifiant le système d'exploitation et Atempt ou les deux. La fixation du temps est également la clé pour que les comparaisons soient claires. La dernière courbe, la courbe de distribution, monte toujours.
Le modèle Cox est similaire. On peut aussi y voir des distributions ajustées avec des covariables. Remarquez que les distributions sont semi-paramétriques ici. Et le modèle impose une hypothèse supplémentaire. Les rapports se ressemblent également. Mais les interprétations du modèle et des estimations des paramètres sont assez différentes. Je n'irai dans cette voie que si (1) aucune des distributions de la Survie paramétrique ne correspond aux données, (2) il existe une hypothèse selon laquelle les fonctions de risque sont proportionnelles. Je crois que le modèle Cox compliquera la situation pour ces données.
Re: Analyse de survie à mesures répétéesMerci beaucoup @peng_liu ,
Cela clarifie beaucoup de choses. j'adopterai cette solution.
Ron
