您好，我对使用生存分析来预测某个因子浓度下失败的概率很感兴趣。这是针对消费者对产品的拒绝，建模为三个变量的函数（例如三种不同成分的浓度）。对于其中一个变量 (Y)，我想知道拒绝概率是它以及 X 和 Z 的函数。
注意：同时，我也在评估名义逻辑平台，尽管我正在探索生存分析，因为它似乎是一种有趣的方法。
计分
1. 我在一栏中的顺序分数为 1 - 9。这是小组成员的回应。
2. 根据小组成员的回答，我的类别得分为“通过”或“失败”。如果响应 > 5，则其得分为“通过”。否则，“失败”。
3. 我有 1 或 0 的审查员列。我已将其编码为失败（例如消费者拒绝）为 0，而通过为 1。我这样做是因为如果消费者给出“通过”分数，那么我认为它没有时间失败，因为它在技术上没有失败。
输入
1. 因子 X：成分 X 的连续数值浓度。我预计失败的可能性增加随着浓度的升高。
2. 因子 Y：成分 Y 的连续数值浓度。我预计失败的可能性减少随着浓度的升高。
3. 因子 Z：一种成分 Z 的连续数值浓度。我预计失败的可能性增加随着浓度的升高。
方法：使用因子 Y（浓度）作为“失效时间”
0.分析-->可靠性和生存-->拟合参数生存
1. 我像 VA Lung Cancer Set 一样对待它，在那里我将“失败时间”设置为因子 Y，因为我有兴趣了解失败概率如何作为 Y 的函数变化。请注意，我预计失败的概率会随着 Y 的上升而下降。
2.我把审查员作为审查员。
3. 位置效应：因子 X 和因子 Y，因为我对能够将失效概率建模为因子 X、Y 和 Z 的函数的模型感兴趣。
问题
1. 查看分布分析器，它表明我的失败概率实际上随着“时间”（又名因子 Y）的增加而增加。这与我的预期相反。
2. 我还重复了分析，我将因子 X 和 Y 作为因子效应，将因子 Z 作为“事件发生时间”。在这种情况下，我确实预计失败的概率会随着因素 Z 的增加而增加。 .但是，分布分析器仍然预测因子 Y 的增加会导致故障概率的增加。我不认为这是正确的。
我怀疑我要么错误地设置了生存分析，和/或我应该只使用名义逻辑回归。然而，我知道生存方法已被用于寻找浓度阈值（例如，如果 X 的浓度大于某个百分比，消费者拒绝产品的概率将 >50%）。例如，这里的这篇论文：“Determination of Consumer Acceptance Limits to Sensory Defects Using Survival Analysis” .
资源
1. 我附上了一个示例数据集（JMP 表）来显示我的输入。
2. 我附上了一份分析，显示我将因子 Y 作为事件发生时间的位置。
您在此处使用 0 和 1 设置的失败和通过，意味着生存分析中的“失败”和“正确审查”。 但是，您所指的论文有所不同。 请阅读公式（1），它在里面，还有它上面的段落。
你可能想参考这篇论文使用命中-未命中数据进行无损评估的分位数 POD了解为什么会这样。
