您好，我對使用生存分析來預測某個因子濃度下失敗的概率很感興趣。這是針對消費者對產品的拒絕，建模為三個變量的函數（例如三種不同成分的濃度）。對於其中一個變量 (Y)，我想知道拒絕概率是它以及 X 和 Z 的函數。
注意：同時，我也在評估名義邏輯平台，儘管我正在探索生存分析，因為它似乎是一種有趣的方法。
計分
1. 我在一欄中的順序分數為 1 - 9。這是小組成員的回應。
2. 根據小組成員的回答，我的類別得分為“通過”或“失敗”。如果響應 > 5，則其得分為“通過”。否則，“失敗”。
3. 我有 1 或 0 的審查員列。我已將其編碼為失敗（例如消費者拒絕）為 0，而通過為 1。我這樣做是因為如果消費者給出“通過”分數，那麼我認為它沒有時間失敗，因為它在技術上沒有失敗。
輸入
1. 因子 X：成分 X 的連續數值濃度。我預計失敗的可能性增加隨著濃度的升高。
2. 因子 Y：成分 Y 的連續數值濃度。我預計失敗的可能性減少隨著濃度的升高。
3. 因子 Z：一種成分 Z 的連續數值濃度。我預計失敗的可能性增加隨著濃度的升高。
方法：使用因子 Y（濃度）作為“失效時間”
0.分析-->可靠性和生存-->擬合參數生存
1. 我像 VA Lung Cancer Set 一樣對待它，在那裡我將“失敗時間”設置為因子 Y，因為我有興趣了解失敗概率如何作為 Y 的函數變化。請注意，我預計失敗的概率會隨著 Y 的上升而下降。
2.我把審查員作為審查員。
3. 位置效應：因子 X 和因子 Y，因為我對能夠將失效概率建模為因子 X、Y 和 Z 的函數的模型感興趣。
問題
1. 查看分佈分析器，它表明我的失敗概率實際上隨著“時間”（又名因子 Y）的增加而增加。這與我的預期相反。
2. 我還重複了分析，我將因子 X 和 Y 作為因子效應，將因子 Z 作為“事件發生時間”。在這種情況下，我確實預計失敗的概率會隨著因素 Z 的增加而增加。 .但是，分佈分析器仍然預測因子 Y 的增加會導致故障概率的增加。我不認為這是正確的。
我懷疑我要么錯誤地設置了生存分析，和/或我應該只使用名義邏輯回歸。然而，我知道生存方法已被用於尋找濃度閾值（例如，如果 X 的濃度大於某個百分比，消費者拒絕產品的概率將 >50%）。例如，這裡的這篇論文：“Determination of Consumer Acceptance Limits to Sensory Defects Using Survival Analysis” .
資源
1. 我附上了一個示例數據集（JMP 表）來顯示我的輸入。
2. 我附上了一份分析，顯示我將因子 Y 作為事件發生時間的位置。
您在此處使用 0 和 1 設置的失敗和通過，意味著生存分析中的“失敗”和“正確審查”。 但是，您所指的論文有所不同。 請閱讀公式（1），它在裡面，還有它上面的段落。
你可能想參考這篇論文使用命中-未命中數據進行無損評估的分位數 POD了解為什麼會這樣。
