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 supera los 180 segundos, simplemente se considera un fracaso.
El objetivo principal es probar las siguientes hipótesis:
1) ¿Existe 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 las variables correctamente.
Intenté abordar esto con un modelo mixto factorial completo de medidas repetidas, pero no pude encontrar una transformación satisfactoria que me diera residuos con un comportamiento razonable. (script en la tabla de datos)
Estaría agradecido por cualquier idea,
ron
Combinación y limpieza de datosLa personalización en masaRe: Análisis de supervivencia de medidas repetidasMuchas gracias @peng_liu ,
Esto aclara muchas cosas. Adoptaré esta solución.
ron
Re: Análisis de supervivencia de medidas repetidas¡Infierno! Fallo de autentificacion. Perdí mi larga respuesta. Reanudar. Como que olvido 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 Parametric Survival son distribuciones condicionales dados los factores. Por lo tanto, es bastante diferente de MCO, en el que las comparaciones, que normalmente son respuestas, se pueden hacer observando las estimaciones de los parámetros.
En este caso, sugiero utilizar perfiles de probabilidad o cuantiles en el resultado de Weibull. Debes activarlos en el menú de resultados de Weibull. Tomemos como ejemplo el perfilador Quantile; ver la siguiente captura de pantalla.
Arreglo 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 intento, el 10% de las máquinas finalizará la operación en 0,412137 unidades de medida de tiempo. Luego cambie el sistema operativo o el intento, 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 cuadro, curva cuantil, siempre sube.
De manera similar, para el perfilador de probabilidad como el siguiente. Dice: en 0,412137 unidades 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 el intento o ambos. Además, fijar el tiempo es la clave para mantener claras las comparaciones. La última curva, la curva de distribución, siempre sube.
El modelo de Cox es similar. También se puede considerar como distribuciones ajustadas con covariables. Observe que las distribuciones son semiparamétricas aquí. Y el modelo impone un supuesto adicional. Los informes también son similares. Pero las interpretaciones sobre el modelo y las estimaciones de los parámetros son bastante diferentes. Solo tomaré ese camino si (1) ninguna de las distribuciones en Parametric Survival se ajusta a los datos, (2) se supone 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 repetidasMuchas gracias @peng_liu , tu respuesta me hace avanzar bastantes pasos.
Si se tratara de un modelo lineal, podríamos utilizar una prueba post hoc en el término de interacción para comparar explícitamente cada combinación de intento y sistema operativo entre sí. ¿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 repetidasLa respuesta rápida es que aún 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 sacar algo de los datos.
Lo siguiente es lo que hice: un informe de Graph Builder para observar 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 de Graph Builder para observar los datos y los valores pronosticados uno al lado del otro.
Primero, se muestra un gráfico de los datos: duración frente a intento, agrupados por sistema operativo, superpuestos por ID de computadora. Así que por sistema operativo, todos presentan una tendencia a la baja. Las máquinas con Windows 10 se mantienen firmes. Otras máquinas permanecen más o menos unidas por 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 adaptarme a un modelo. Según lo que veo en la trama, un análisis de supervivencia paramétrico debería ser apropiado. Entonces, la configuración es para ver si puedo ajustar una distribución a la 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 la mejor opción, seguido de Lognormal. Los informes de distribución individuales también muestran que los efectos son significativos.
Luego guardo los residuos de los resultados de Weibull y Lognormal en la tabla. El uso de la Distribución de Vida para mirarlos. Observe que cuando se coloca Residual en la función Y en Distribución de vida, la columna Censor debe ir a la función Censor, como se muestra en la siguiente captura de pantalla.
Analice los residuos lognormales de manera similar y compare los dos informes. Weibull parece encajar mejor, porque la linealización parece encajar mejor en Weibull. Lognormal tiene un problema más significativo.
Luego, desde el informe de supervivencia paramétrica, guardo la "Fórmula de cuantiles" 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, de modo que para cada observación en la tabla original, tengo una mediana prevista correspondiente.
Utilice Graph Builder para colocar 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 voy a agotarlos aquí. Adjunto la tabla de datos actualizada y también la tabla de datos apilados.
