打ち切りデータの分散コンポーネントこれが統計またはプラットフォームに関連する質問であるかどうかはわかりません。 ここでの入力に感謝します！
分散成分の研究を扱っている場合、すべての要因は次のようになります。ランダム要因。 標準最小二乗法を使用してこのようなモデルを適合させると、JMPはREML分散成分推定表を提供できます。 したがって、ここで結果を得ることができます（主に各ランダム因子のパーセンテージ）。 ただし、（生存分析用の）打ち切りデータを処理する場合、JMPは、モデルの制限により、モデルに存在するランダムな要因を許可しません。
私の質問は、これはモデルの制限によるものです。たとえば、すべての要因が次のようになると仮定すると、生存分析ではこの種の分散成分分析を実行できません。ランダム要因（打ち切りデータ）？ また、特にワイブル分布を使用している場合の生存分析について疑問に思っていますが、失敗率（打ち切られていないデータの割合）を特定の数値より大きくする必要があるという経験則はありますか？ 60％、70％など...
ありがとう
分析Re：打ち切りデータの分散コンポーネントこんにちは、ケビン、
私は生存分析の専門家ではないため、質問の2番目の部分（経験則）について話すことはできません。 他の誰かがそこであなたを助けてくれることを願っています！
最初の部分について少しお話しできます。 現時点では、JMP（およびJMP Pro）は、応答分布がガウス/正規である場合に、フィットモデル内の標準最小二乗法または混合パーソナリティから言及したような分散成分分析のみを実行できます。 残念ながら、生存分析の場合、応答分布は非ガウス分布（ワイブル、指数など）であり、生存プラットフォームオプション（生存またはパラメトリック生存）ではランダム効果が許可されません（お気づきのとおり）。 この種の分析を可能にするJMPProの一般化線形混合モデルプラットフォームの計画があります。 そのプラットフォームの最初の範囲には、将来の開発のためにリストされていますが、生存分布は含まれていません。 サバイバルGLMMは非常に活発な研究分野です！
それまでの間、SAS PROCGLIMMIXにアクセスできるかどうかはわかりません。 私はそれがこの種の分析のための能力を持っていることを知っています。 Walter W. Stroupによる本「GeneralizedLinearMixed Models：Modern Concepts、Methods and Applications」には、PROCGLIMMIXを使用したイベントまでの時間データの分析に専念する章全体があります。 それはあなたにとって有用な参考になるかもしれません。
-エリザベス
Re：打ち切りデータの分散コンポーネントNS @eclaassen指摘されたように、変量効果で生存分析を行うための方法/ツールがあります。 あなたはこのSUGI論文に興味があるかもしれません：打ち切り観測によるイベントまでの時間データへの一般化線形混合モデルアプローチ。 ただし、JMPは、現在のリリースではそのようなツールを提供していません。 今後のリリースで彼女の新しいプラットフォームに注意を払ってください。
GLIMMIXタイプのツールに加えて、ベイズ推定は別のアプローチである可能性があります。 私は、ベイズ推定を使用してランダムな被験者パラメータをモデル化する、新しい反復測定劣化プラットフォームに取り組んでいます。 プラットフォーム自体は、テクノロジーを適用することはできますが、現在必要なものとは関係ありません。
経験則の質問の場合、主な懸念事項は、打ち切りが分析の目的にどのように影響するかです。 打ち切りについて心配する必要があるかもしれない2つのことがあります：打ち切り観測がいくつ発生するか、そしていつ（またはどこで）打ち切り観測が発生するかです。 気になる状況は、打ち切り時間をはるかに超えた失敗確率に関心がある一方で、大量の打ち切り観測を含む正しい打ち切りデータがあることです。 ただし、打ち切り前の失敗確率に関心があり、打ち切り率が高くても失敗の観測値が多い場合は問題ありません。
打ち切りが結果に大きな影響を及ぼし、結果に大きな不確実性がある場合、特定のモデルまたは1つ以上のパラメーターについて、非常に強力な仮定を立てる必要があります。
Weibayesとして知られる古典的な方法は、ほとんどすべての観測が打ち切られるときに有用なアプローチを提供します。 その方法に加えて、ベイズ推定は、重い打ち切りデータを処理するためのもう1つのより包括的なアプローチです。 JMP LifeDistributionおよびFitLife by Xプラットフォームは、それに応じてこれらの方法を提供します。
Re：打ち切りデータの分散コンポーネントありがとう！
