重複測量存活分析親愛的社區成員，
我想分析使用 30 台電腦和 5 個不同作業系統重複執行 8 次的進程的持續時間。如所附資料檔所示。該數據也會被審查，當持續時間超過 180 秒時，就被視為失敗。
主要目的是檢驗以下假設：
1）作業系統之間有差別嗎？
2）嘗試之間有差別嗎？
3）作業系統和嘗試之間是否存在互動？
我主要關心的是遞歸分析平台是否最合適以及如何正確定義變數。
我試圖透過重複測量全階乘混合模型來解決這個問題，但找不到令人滿意的轉換來提供我合理的殘差表現。 （數據表中的腳本）
將不勝感激任何想法，
榮恩
資料混合與清理大規模客製化回覆：重複測量存活分析非常感謝@peng_liu ,
這澄清了很多事情。我將採用這個解決方案。
榮恩
回覆：重複測量存活分析哎呀！ 驗證失敗。 失去了我的長回覆。 重新開始。 差點忘記我說的話了...
威布爾結果顯示交互作用是顯著的。 請參閱此螢幕截圖中突出顯示的位置：
請注意，參數生存的結果是給定因素的條件分佈。 因此，它與 OLS 相當不同，OLS 中的比較（通常是響應）可以透過查看參數估計來完成。
在這裡，我建議在威布爾結果中使用機率或分位數設定檔。 您需要在威布爾結果選單中開啟它們。 以分位數刻畫器為例；請參閱下一個螢幕截圖。
我修復失敗機率 = 0.1，並更改作業系統和嘗試。 因此，對於這個特定的螢幕截圖，y 軸讀數顯示：對於 Windows 10 計算機，在第 8 次嘗試時，10% 的計算機將在 0.412137 個時間單位下完成操作。 然後更改作業系統或嘗試，或兩者都更改以比較不同的場景。 確定機率是保持比較清晰的關鍵。 給定 OS 和 Atempt，第三幀中的曲線（分位數曲線）始終向上。
同樣，對於機率分析器，如下所示。 其內容為：以 0.412137 時間單位，在第 8 次嘗試時，10% 的 Windows 10 電腦應完成此操作。 然後透過更改作業系統和嘗試或兩者來比較場景。 此外，固定時間也是保持比較清晰的關鍵。 最後一條曲線，即分佈曲線，總是向上的。
考克斯模型看起來很相似。 人們也可以將其視為具有協變量的擬合分佈。 請注意，這裡的分佈是半參數的。 並且該模型強加了一個額外的假設。 這些報告看起來也很相似。 但對模型和參數估計的解釋卻截然不同。 我只會在以下情況下走這條路：（1）參數生存中的所有分佈都不適合數據，（2）假設風險函數是成比例的。 我相信 Cox 模型會使該數據的情況變得複雜。
回覆：重複測量存活分析非常感謝@peng_liu ，你的回答讓我前進了好幾步。
如果這是一個線性模型，我們可以對交互項使用事後測試來明確比較嘗試和操作系統的每種組合與其他組合。在這種情況下，您將如何進行所有這些比較？
基於這個原因，我提出的解決方案也是忽略重複的方面，並為每次嘗試執行 Cox 比例風險模型。 在那裡，每個作業系統之間的比較是明確的（但僅限於嘗試）
再一次感謝你。
榮恩
回覆：重複測量存活分析快速反應是我們還沒有解決這種情況的工具：重複測量和審查。
如果我們可以忽略測量在各個計算機上重複的事實，我們仍然可以從數據中得到一些東西。
以下是我所做的：用於查看數據的圖形生成器報告；適合某些模型的參數生存報告；用於檢查殘差的壽命分佈報告；最後是圖形產生器報告，用於並排查看數據和預測值。
首先是資料圖：持續時間與嘗試次數，依作業系統分組，並依電腦 ID 覆寫。 所以從作業系統來看，它們都呈現下降趨勢。 Windows10機器確實保持緊密。 其他機器或多或少透過作業系統保持在一起。 IOS 和 Linox 的右刪失觀察值相對較多。 因此，對您感興趣的初步答案是嘗試和操作系統很重要。
現在我嘗試擬合模型。 根據我在圖中看到的內容，參數生存分析應該是適當的。 因此，設定是為了看看我是否可以將分佈擬合到持續時間，而分佈的位置參數是效果的線性函數。 「尺度效應」標籤是空的，因此我沒有考慮分佈的尺度參數是某些效應的線性函數，但稍後可以嘗試看看它是否重要。
報告稱威布爾是最合適的，其次是對數常態。 個人分佈報告也顯示影響是顯著的。
然後，我將威布爾和對數常態結果的殘差存回表中。 使用生命分佈來查看它們。 請注意，當 Residual 放入 Life Distribution 中的 Y 角色時，Censor 欄位需要轉到 Censor 角色，如下圖所示。
類似地分析對數常態殘差並比較兩份報告。 威布爾似乎確實更適合，因為線性化似乎更適合威布爾。 對數常態有一個更重要的問題。
然後，在參數生存報告中，我保存了威布爾結果中的「分位數公式」。 當提示輸入「機率」時，輸入 0.5 作為中位數。 現在資料表多了一個列，我將其命名為「Fitted Weibull Median」。 然後我堆疊“持續時間”和“擬合威布爾中位數”，並獲得一個新的數據表，因此對於原始表中的每個觀察值，我都有一個相應的預測中位數。
使用Graph Builder將資料和預測值並排放置，模型看起來相當合理。
上述可能不是擬合數據的唯一合理方法，但我不會在這裡窮舉它們。 我還附上了更新的資料表和堆疊資料表。
