刪失數據的方差分量不確定這是一個與統計數據或平台更相關的問題。 將欣賞這裡的任何輸入！
當我們處理方差分量研究時，我們所有的因素都將是隨機的因素。 當我們在擬合模型平台中使用標準最小二乘法擬合這樣的模型時，JMP 可以為我們提供 REML 方差分量估計表。 所以我們可以在這裡得到我們的結果（主要是每個隨機因素的百分比）。 但是，當我們處理刪失數據（用於生存分析）時，由於模型限制，JMP 不允許模型中存在任何隨機因素。
我的問題是這是由於模型的限制，就像我們不能做這種生存分析的方差分量分析，假設我們的所有因素都是隨機的因素（審查數據）？ 另外我想知道生存分析，特別是當我們使用威布爾分佈時，是否有經驗法則，例如失敗百分比（非刪失數據比例）應該大於某個數字？比如 60%、70% 等等……
謝謝
分析回复：刪失數據的方差分量嗨，凱文，
我無法回答您問題的第二部分（經驗法則），因為我不是生存分析專家。 我希望其他人可以在那里為您提供幫助！
我可以談談第一部分。 目前，當響應分佈為高斯/正態分佈時，JMP（和 JMP Pro）只能像您在擬合模型中的標準最小二乘法或混合個性中提到的那樣進行方差分量分析。 不幸的是，對於生存分析，響應分佈是非高斯分佈（無論是 Weibull、指數等），並且生存平台選項（生存或參數生存）不允許隨機效應（如您所見）。 有計劃為 JMP Pro 建立一個廣義線性混合模型平台，可以實現這種分析。 該平台的初始範圍不包括生存發行版，儘管它們已被列出以供未來開發。 生存 GLMM 是一個非常活躍的研究領域！
同時，我不知道您是否可以訪問 SAS PROC GLIMMIX。 我知道它有能力進行這種分析。 Walter W. Stroup 在“廣義線性混合模型：現代概念、方法和應用”一書中有一整章專門介紹使用 PROC GLIMMIX 分析時間到事件數據。 它可以為您提供有用的參考。
-伊麗莎白
回复：刪失數據的方差分量作為@eclassen指出，有一些方法/工具可以使用隨機效應進行生存分析。 您可能對這篇 SUGI 論文感興趣：具有截尾觀測的時間到事件數據的廣義線性混合模型方法. 但 JMP 在當前版本中不提供此類工具。 請在即將發布的版本中關注她的新平台。
除了 GLIMMIX 類型的工具，貝葉斯推理可能是一種不同的方法。 我正在開發一個新的重複測量退化平台，該平台使用貝葉斯推理對隨機主題參數進行建模。 儘管可以應用該技術，但該平臺本身與您現在需要的無關。
對於您的經驗法則問題，一個主要問題是審查如何影響您的分析目標。 關於刪失，您可能需要擔心兩件事：發生了多少刪失觀察，以及何時（或在哪裡）發生了刪失觀察。 一個令人擔憂的情況可能是，您擁有具有大量刪失觀察的正確刪失數據，而您對遠遠超出刪失時間的失敗概率感興趣。 但是不用擔心，如果您的興趣是在刪失時間之前的失敗概率，並且您仍然有大量的失敗觀察，即使刪失比例很大。
如果刪失對您的結果有很大影響，因此結果具有很大的不確定性，則需要對特定模型或一個或多個參數進行非常強的假設。
當幾乎所有觀察都被刪失時，稱為 Weibayes 的經典方法提供了一種有用的方法。 除了該方法之外，貝葉斯推理是另一種處理大量刪失數據的更全面的方法。 JMP Life Distribution 和 Fit Life by X 平台相應地提供了這些方法。
回复：刪失數據的方差分量謝謝！
