打ち切りデータの分散成分この質問が統計に関係するものなのか、プラットフォームに関係するものなのかはわかりません。ここで何かご意見があればいただければ幸いです。
分散成分研究を扱う場合、すべての因子はランダム因子になります。モデル適合プラットフォームで標準最小二乗法を使用してこのようなモデルを適合すると、JMP は REML 分散成分推定値テーブルを提供します。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、打ち切りデータ (生存分析用) を扱う場合、JMP はモデル制限のため、モデル内に存在するランダム因子を許可しません。
私の質問は、すべての要因がランダム要因（打ち切りデータ）であると仮定すると、生存分析ではこのような分散成分分析を実行できないなど、モデルの制限によるものでしょうか？また、特にワイブル分布を使用している場合の生存分析では、失敗率（打ち切りデータの割合）が特定の数値よりも大きくなければならないなどの経験則があるのでしょうか？60％、70％など...
ありがとう
品質およびプロセスエンジニアリングRe: 打ち切りデータの分散成分ありがとう！Re: 打ち切りデータの分散成分として@eclaassen指摘されたように、ランダム効果を使用して生存分析を行う方法/ツールがあります。 次の SUGI ペーパー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発生時間データへの一般化線形混合モデル アプローチ. しかし、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目してください。
GLIMMIX タイプのツール以外に、ベイジアン推論は別のアプローチかもしれません。 私は、ベイジアン推論を使用してランダムな被験者パラメーター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。 テクノロジーは適用できますが、プラットフォーム自体は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、主要な懸念は、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ことが 2 つあります。打ち切り観測が発生する回数と、打ち切り観測がいつ (またはどこで) 発生するかです。 気になる状況は、大量の打ち切られた観測値を含む適切な打ち切られたデータがある一方で、打ち切り時間をはるかに超えた失敗確率に関心がある場合です。 しかし、打ち切り時間前の失敗確率に関心があり、打ち切り割合が大きいにもかかわらず、まだ大量の失敗観測がある場合は、心配する必要はありません。
打ち切りが結果に大きな影響を与え、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設定する必要があります。
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値が打ち切られている場合に有用なアプローチを提供します。 その方法に加えて、ベイジアン推論は、大量の打ち切りデータを処理するための別のより包括的なアプローチです。 JMP Life Distribution および Fit Life by X プラットフォームは、これらの方法を適切に提供します。
Re: 打ち切りデータの分散成分こんにちは、ケビン。
私は生存分析の専門家ではないので、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話すことができます。 現時点では、JMP (および JMP Pro) は、応答分布がガウス/正規分布の場合、適合モデル内の標準最小二乗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 (ワイブル、指数関数など) であり、生存プラットフォームのオプション (生存またはパラメトリック生存) はランダム効果を許可しません (お気づきのとおり)。 この種の分析を可能にする JMP Pro 用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、サバイバル ディストリビューション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、あなたが SAS PROC GLIMMIX にアクセスできるかどうかはわかりません。 この種の分析の機能があることは知っています。 Walter W. Stroup による本「Generalized Linear Mixed Models: Modern Concepts, Methods and Applications」には、PROC GLIMMIX を使用した Time-to-Event データの分析に専念する章全体があります。 あなたの参考になるかもしれません。
-エリザベス
