删失数据的方差分量不确定这个问题是否与统计数据或平台更相关。非常感谢大家的反馈！
当我们处理方差分量研究时，所有因素都是随机因素。当我们使用拟合模型平台中的标准最小二乘法拟合此类模型时，JMP 可以为我们提供 REML 方差分量估计表。因此我们可以在这里得到结果（主要是每个随机因素的百分比）。但是，当我们处理审查数据（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，这是由于模型限制吗？比如，我们无法进行这种方差分量分析，假设所有因素都是随机因素（审查数据）？另外，我想知道，对于生存分析，特别是当我们使用威布尔分布时，是否有一个经验法则，比如失败百分比（非审查数据比例）应该大于某个数字？比如 60%、70% 等……
谢谢
质量与工艺工程回复：审查数据的方差分量谢谢！回复：审查数据的方差分量作为@eclaassen指出，有一些方法/工具可以进行随机效应的生存分析。 您可能对这篇 SUGI 论文感兴趣：具有截尾观测值的事件发生时间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。 平台本身和你现在需要的不相关，虽然技术是可以应用的。
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。 关于删失，您可能需要担心两件事：发生多少次删失观察，以及何时（或何处）发生删失观察。 一个令人担忧的情况可能是你有一个正确的删失数据和大量的删失观察，而你对远远超出删失时间的失败概率感兴趣。 但如果你感兴趣的是删失时间之前的失败概率，并且你仍然有大量的失败观察，即使删失比例很大，也不用担心。
如果审查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。
一种称为 Weibayes 的经典方法在几乎所有观察结果都被删失时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更全面的处理大量删失数据的方法。 JMP Life Distribution 和 Fit Life by X 平台相应地提供了这些方法。
回复：审查数据的方差分量嗨，凯文，
我不能说你问题的第二部分（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帮助你！
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）只能进行方差分量分析，就像您在拟合模型中的标准最小二乘法或混合性格中提到的那样。 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（生存或参数生存）不允许随机效应（正如您所注意到的）。 有计划为 JMP Pro 开发广义线性混合模型平台，以实现此类分析。 该平台的初始范围不包括生存分布，尽管它们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。 我知道它具有进行此类分析的能力。 Walter W. Stroup 所著的“广义线性混合模型：现代概念、方法和应用”一书有一整章专门介绍使用 PROC GLIMMIX 分析事件发生时间数据。 它可以为您提供有用的参考。
-伊丽莎白
