刪失資料的變異數分量不確定這是一個與統計數據或平台更相關的問題。非常感謝這裡的任何意見！
當我們處理變異數成分研究時，所有因素都將是隨機因素。當我們使用擬合模型平台中的標準最小二乘法來擬合此類模型時，JMP 可以為我們提供 REML 變異數分量估計表。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）。然而，當我們處理審查數據（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，就像我們不能進行這種變異數成分分析來進行存活分析，假設我們所有的因素都是隨機因素（審查數據）？另外我想知道對於生存分析，特別是當我們使用威布爾分佈時，是否有一個經驗法則，例如失敗百分比（非審查數據比例）應該大於某個數字？例如60%、70%等等...
謝謝
品質和工藝工程回复：審查數據的方差分量謝謝！回复：審查數據的方差分量作為@eclaassen指出，有一些方法/工具可以進行隨機效應的生存分析。 您可能對這篇 SUGI 論文感興趣：具有截尾觀測值的事件發生時間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。 平臺本身和你現在需要的不相關，雖然技術是可以應用的。
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：發生多少次刪失觀察，以及何時（或何處）發生刪失觀察。 一個令人擔憂的情況可能是你有一個正確的刪失數據和大量的刪失觀察，而你對遠遠超出刪失時間的失敗概率感興趣。 但如果你感興趣的是刪失時間之前的失敗概率，並且你仍然有大量的失敗觀察，即使刪失比例很大，也不用擔心。
如果審查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。
一種稱為 Weibayes 的經典方法在幾乎所有觀察結果都被刪失時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更全面的處理大量刪失數據的方法。 JMP Life Distribution 和 Fit Life by X 平台相應地提供了這些方法。
回复：審查數據的方差分量嗨，凱文，
我不能說你問題的第二部分（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裡幫助你！
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）只能進行方差分量分析，就像您在擬合模型中的標準最小二乘法或混合性格中提到的那樣。 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（正如您所注意到的）。 有計劃為 JMP Pro 開發廣義線性混合模型平台，以實現此類分析。 該平台的初始範圍不包括生存分佈，儘管它們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。 我知道它具有進行此類分析的能力。 Walter W. Stroup 所著的“廣義線性混合模型：現代概念、方法和應用”一書有一整章專門介紹使用 PROC GLIMMIX 分析事件發生時間數據。 它可以為您提供有用的參考。
-伊麗莎白
