Analyse de survie par mesures répétéesChers membres de la communauté,
Je souhaite analyser la durée d'un processus effectué 8 fois de manière répétée avec 30 ordinateurs et cinq systèmes d'exploitation différents. comme dans le fichier de données ci-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) existe-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 au comportement raisonnable. (script dans la table de données)
je serais reconnaissant pour toutes les idées,
Ron
Mélange et nettoyage des donnéesPersonnalisation de masseRe : Analyse de survie par mesures répétéesMerci beaucoup @peng_liu ,
Cela clarifie beaucoup de choses. j'adopterai cette solution.
Ron
Re : Analyse de survie par mesures répétéesZut! Échec d'authentification. J'ai perdu ma longue réponse. Redémarrage. J'oublie un peu ce que j'ai dit...
Le résultat de Weibull montre que l’interaction est significative. Voir les lieux mis en évidence dans cette capture d'écran :
Notez que les résultats de Parametric Survival sont des distributions conditionnelles compte tenu 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 Weibull. Vous devez les activer dans le menu des résultats Weibull. Prenons l'exemple du profileur Quantile ; voir la capture d'écran suivante.
Je corrige la probabilité d'échec = 0,1 et change le système d'exploitation et la tentative. Ainsi, pour cette capture d'écran particulière, la lecture sur 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. Changez ensuite de système d'exploitation ou de tentative, ou les deux pour comparer différents scénarios. La probabilité de correction est la clé pour que les comparaisons restent claires. Compte tenu du système d'exploitation et de la tentative, la courbe de la troisième image, la courbe quantile, monte toujours.
De même, pour le profileur de probabilité comme celui-ci. Il se lit comme suit : par 0,412137 unité de temps, à la 8e tentative, 10 % des machines Windows 10 devraient terminer l'opération. Comparez ensuite les scénarios en modifiant le système d'exploitation et la tentative ou les deux. Fixer le temps est également la clé pour garder les comparaisons claires. La dernière courbe, la courbe de distribution, monte toujours.
Le modèle Cox semble similaire. On peut aussi y voir un ajustement des distributions avec des covariables. Notez que les distributions sont ici semi-paramétriques. Et le modèle impose une hypothèse supplémentaire. Les rapports se ressemblent également. Mais les interprétations du modèle et des estimations des paramètres sont très différentes. Je n'emprunterai cette voie que si (1) aucune des distributions de Parametric Survival ne correspond aux données, (2) il existe une hypothèse selon laquelle les fonctions de risque sont proportionnelles. Je pense que le modèle de Cox compliquera la situation pour ces données.
Re : Analyse de survie par mesures répétéesMerci beaucoup @peng_liu , votre réponse me fait avancer de pas mal de 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 procéderiez-vous pour faire toutes ces comparaisons dans ce cas ?
pour cette raison, la solution que j'ai proposée consistait également à ignorer l'aspect répété et à 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 par 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 de distribution de vie pour inspecter les résidus ; et enfin un rapport Graph Builder pour examiner côte à côte les données et les valeurs prédites.
Le premier est un graphique des données : durée par rapport à la tentative, regroupées par système d'exploitation, superposées par ID d'ordinateur. Ainsi par OS, ils présentent tous une tendance à la baisse. Les machines Windows10 restent étroitement. Les autres machines restent plus ou moins ensemble par système d'exploitation. IOS et Linox ont des observations censurées relativement plus à droite. Donc, une réponse préliminaire à votre intérêt est que Atempt et OS sont importants.
Maintenant, j'essaie d'adapter un modèle. D'après ce que je vois dans l'intrigue, une analyse paramétrique de survie devrait être appropriée. La configuration consiste donc à voir si je peux adapter une distribution à la durée, tandis que le paramètre d'emplacement de la distribution est une fonction linéaire des effets. L'onglet Effet d'échelle 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 est important.
Le rapport indique que Weibull est la meilleure solution, suivie de Lognormal. Les rapports de distribution individuels montrent également que les effets sont significatifs.
J'enregistre ensuite les résidus des résultats Weibull et Lognormal dans le tableau. Utilisez Life Distribution pour les examiner. Remarquez que lorsque vous placez Résiduel dans le rôle Y dans Life Distribution, la colonne Censeur doit accéder au rôle Censeur, comme dans la capture d'écran suivante.
Analysez les résidus lognormaux de la même manière et comparez les deux rapports. Weibull semble être mieux adapté, car la linéarisation semble mieux correspondre à Weibull. Lognormal a un problème plus important.
Ensuite, à partir du rapport Parametric Survival, j'enregistre la "Formule Quantile" du résultat Weibull. Lorsqu'il vous demande « probabilité », entrez 0,5 pour la médiane. Maintenant, le tableau de données a une colonne supplémentaire, et je la nomme « Médiane de Weibull ajustée ». Ensuite, j'empile "Durée" et "Médiane de Weibull ajustée" et j'obtiens un nouveau tableau de données, donc pour chaque observation dans le tableau d'origine, j'ai une médiane prédite correspondante.
Utilisez Graph Builder pour mettre côte à côte les données et les valeurs prédites, le modèle semble assez raisonnable.
Ce qui précède n’est peut-être pas la seule façon plausible d’ajuster les données, mais je ne vais pas les épuiser ici. Je joins également le tableau de données mis à jour et le tableau de données empilées.
