删失数据的方差分量不确定这是一个与统计数据或平台更相关的问题。 将欣赏这里的任何输入！
当我们处理方差分量研究时，我们所有的因素都将是随机的因素。 当我们在拟合模型平台中使用标准最小二乘法拟合这样的模型时，JMP 可以为我们提供 REML 方差分量估计表。 所以我们可以在这里得到我们的结果（主要是每个随机因素的百分比）。 但是，当我们处理删失数据（用于生存分析）时，由于模型限制，JMP 不允许模型中存在任何随机因素。
我的问题是这是由于模型的限制，就像我们不能做这种生存分析的方差分量分析，假设我们的所有因素都是随机的因素（审查数据）？ 另外我想知道生存分析，尤其是当我们使用威布尔分布时，是否有经验法则，例如失败百分比（非删失数据比例）应该大于某个数字？比如 60%、70% 等等……
谢谢
分析回复：删失数据的方差分量嗨，凯文，
我无法回答您问题的第二部分（经验法则），因为我不是生存分析专家。 我希望其他人可以在那里为您提供帮助！
我可以谈谈第一部分。 目前，当响应分布为高斯/正态分布时，JMP（和 JMP Pro）只能像您在拟合模型中的标准最小二乘法或混合个性中提到的那样进行方差分量分析。 不幸的是，对于生存分析，响应分布是非高斯分布（无论是 Weibull、指数等），并且生存平台选项（Survival 或 Parametric Survival）不允许随机效应（如您所见）。 有计划为 JMP Pro 建立一个广义线性混合模型平台，可以实现这种分析。 该平台的初始范围不包括生存发行版，尽管它们已被列出以供未来开发。 生存 GLMM 是一个非常活跃的研究领域！
同时，我不知道您是否可以访问 SAS PROC GLIMMIX。 我知道它有能力进行这种分析。 Walter W. Stroup 在“广义线性混合模型：现代概念、方法和应用”一书中有一整章专门介绍使用 PROC GLIMMIX 分析时间到事件数据。 它可以为您提供有用的参考。
-伊丽莎白
回复：删失数据的方差分量作为@eclassen指出，有一些方法/工具可以使用随机效应进行生存分析。 您可能对这篇 SUGI 论文感兴趣：具有截尾观测的时间到事件数据的广义线性混合模型方法. 但 JMP 在当前版本中不提供此类工具。 请在即将发布的版本中关注她的新平台。
除了 GLIMMIX 类型的工具，贝叶斯推理可能是一种不同的方法。 我正在开发一个新的重复测量退化平台，该平台使用贝叶斯推理对随机主题参数进行建模。 尽管可以应用该技术，但该平台本身与您现在需要的无关。
对于您的经验法则问题，一个主要问题是审查如何影响您的分析目标。 您可能需要担心关于删失的两件事：发生了多少个删失观察，以及何时（或在哪里）发生了删失观察。 一个令人担忧的情况可能是，您拥有具有大量删失观察的正确删失数据，而您对远远超出删失时间的失败概率感兴趣。 但是不用担心，如果您的兴趣是在删失时间之前的失败概率，并且您仍然有大量的失败观察，即使删失比例很大。
如果删失对您的结果有很大影响，因此结果具有很大的不确定性，则需要对特定模型或一个或多个参数进行非常强的假设。
当几乎所有观察都被删失时，称为 Weibayes 的经典方法提供了一种有用的方法。 除了该方法之外，贝叶斯推理是另一种处理大量删失数据的更全面的方法。 JMP Life Distribution 和 Fit Life by X 平台相应地提供了这些方法。
回复：删失数据的方差分量谢谢！
