340896_es-ES

liliconcom

Análisis de supervivencia de medidas repetidas

Estimados miembros de la comunidad,

Me gustaría analizar la duración de un proceso realizado 8 veces repetidas con 30 computadoras y cinco sistemas operativos diferentes. como en el archivo de datos adjunto. Estos datos también están censurados, cuando la duración era superior a 180 segundos, simplemente se consideraba un error.

 

el objetivo principal es probar las siguientes hipótesis:

1) ¿hay alguna diferencia entre los sistemas operativos?

2) ¿hay alguna diferencia entre los intentos?

3) ¿Existe una interacción entre los sistemas operativos y los intentos?

 

Mi principal preocupación es si la plataforma de análisis de recurrencia es la más adecuada y cómo definir correctamente las variables.

 

He intentado abordar esto con un modelo mixto factorial completo de medidas repetidas, pero no pude encontrar una transformación satisfactoria que me diera residuos de comportamiento razonable. (script en la tabla de datos)

 

estaría agradecido por cualquier idea,

Ron

AnalíticaOtroRe: análisis de supervivencia de medidas repetidas

La respuesta rápida es que todavía no tenemos la herramienta para abordar la situación: medida repetida con censura.

Si podemos ignorar el hecho de que las mediciones se repiten en computadoras individuales, aún podemos obtener algo de los datos.

 

Lo siguiente es lo que hice: un informe de Graph Builder para ver los datos; un informe de supervivencia paramétrica para adaptarse a algunos modelos; un informe de distribución de vida para inspeccionar los residuos; y finalmente un informe del generador de gráficos para ver los datos y los valores predichos uno al lado del otro.

 

En primer lugar, se muestra un gráfico de los datos: Duración frente a Atempt, agrupados por SO, superpuestos por ID de computadora. Entonces, por sistema operativo, todos presentan una tendencia a la baja. Las máquinas con Windows10 se mantienen firmes. Otras máquinas permanecen más o menos juntas según el sistema operativo. IOS y Linox tienen observaciones censuradas relativamente más correctas. Entonces, una respuesta preliminar a su interés es que Atempt y OS son importantes.

Ahora intento encajar un modelo. Según lo que veo en la trama, un análisis de supervivencia paramétrica debería ser apropiado. Entonces, la configuración es para ver si puedo ajustar una distribución a Duración, mientras que el parámetro de ubicación de la distribución es una función lineal de los efectos. La pestaña Efecto de escala está vacía, por lo que no estoy considerando que el parámetro de escala de la distribución sea una función lineal de algunos efectos, pero se puede probar más adelante para ver si importa.

El informe dice que Weibull es el que mejor encaja, seguido de Lognormal. Además, los informes de distribución individuales muestran que los efectos son significativos.

Luego guardo los residuos de los resultados de Weibull y Lognormal en la tabla. El uso de Distribución de vida para mirarlos. Observe que cuando se coloca Residual en el rol Y en Distribución de vida, la columna Censor debe ir al rol Censor, como se muestra en la siguiente captura de pantalla.

Analice los residuos lognormales de forma similar y compare los dos informes. Weibull parece encajar mejor, porque la linealización parece encajar mejor con Weibull. Lognormal tiene una torcedura más significativa.

Luego, del informe de supervivencia paramétrica, guardo la "Fórmula cuantílica" del resultado de Weibull. Cuando solicite "probabilidad", ingrese 0.5, para la mediana. Ahora la tabla de datos tiene una columna adicional, y la llamo "Mediana de Weibull ajustada". Luego apilo "Duración" y "Mediana de Weibull ajustada", y obtengo una nueva tabla de datos, por lo que para cada observación en la tabla original, tengo una mediana predicha correspondiente.

Utilice Graph Builder para poner datos y valores predichos uno al lado del otro, el modelo parece bastante razonable.

Puede que lo anterior no sea la única forma plausible de ajustar los datos, pero no los voy a agotar aquí. Adjunto la tabla de datos actualizada y la tabla de datos apilados también.

 

Re: análisis de supervivencia de medidas repetidas

Muchas gracias @peng_liu , tu respuesta me hace avanzar unos cuantos pasos.

Si este fuera un modelo lineal, podríamos usar una prueba post hoc sobre el término de interacción para comparar explícitamente cada combinación de intento y sistema operativo con todos los demás. ¿Cómo harías todas estas comparaciones en este caso?

por esta razón, la solución que se me ocurrió fue también ignorar el aspecto repetido y ejecutar un modelo de riesgo proporcional de Cox para cada intento. Allí, la comparación entre cada sistema operativo fue explícita (pero limitada al intento)

 

Gracias otra vez.

Ron

Re: análisis de supervivencia de medidas repetidas

¡Infierno! Fallo de autentificacion. Perdí mi larga respuesta. Reiniciar. Como olvidar lo que dije ...

 

El resultado de Weibull muestra que la interacción es significativa. Vea los lugares resaltados en esta captura de pantalla:

Observe que los resultados de la supervivencia paramétrica son distribuciones condicionales dadas los factores. Por lo tanto, es bastante diferente de MCO, a partir del cual se pueden hacer comparaciones, que son respuestas típicamente, observando las estimaciones de los parámetros.

Aquí, sugiero usar perfiles de probabilidad o cuantiles en el resultado de Weibull. Debe activarlos en el menú de resultados de Weibull. Tomemos el generador de perfiles Quantile como ejemplo; vea la siguiente captura de pantalla.

Arreglo la probabilidad de falla = 0.1 y cambio el sistema operativo y el intento. Entonces, para esta captura de pantalla en particular, la lectura del eje y dice: para máquinas con Windows 10, en el octavo Atempt, el 10% de las máquinas terminarán la operación por debajo de 0.412137 unidades de la medida de tiempo. Luego, cambie el sistema operativo o Atempt, o ambos para comparar diferentes escenarios. Fijar la probabilidad es la clave para mantener claras las comparaciones. Dados OS y Atempt, la curva en el tercer fotograma, curva de cuantiles, siempre sube.
Del mismo modo, para el generador de perfiles de probabilidad como el siguiente. Dice: por 0.412137 unidad de tiempo, en el octavo intento, el 10% de las máquinas con Windows 10 deberían completar la operación. Luego, compare escenarios cambiando el sistema operativo y Atempt o ambos. También fijar el tiempo es la clave para mantener claras las comparaciones. La última curva, curva de distribución, siempre sube.

El modelo de Cox se ve similar. También se puede pensar en ello como distribuciones ajustadas con covariables. Observe que las distribuciones son semiparamétricas aquí. Y el modelo impone una suposición adicional. Los informes también son similares. Pero las interpretaciones sobre el modelo y las estimaciones de los parámetros son bastante diferentes. Solo seguiré ese camino si (1) ninguna de las distribuciones en Parametric Survival se ajusta a los datos, (2) existe la suposición de que las funciones de riesgo son proporcionales. Creo que el modelo de Cox complicará la situación con estos datos.

Re: análisis de supervivencia de medidas repetidas

Muchas gracias @peng_liu ,
Esto aclara muchas cosas. Adoptaré esta solución.

 

ron