こんにちは、私は生存分析を使用して、特定の濃度の因子での失敗の確率を予測することに興味があります。これは、3つの変数（たとえば、3つの異なる成分の濃度）の関数としてモデル化された、製品の消費者による拒絶のためのものです。変数の1つ（Y）について、それとXおよびZの関数としての棄却の確率を知ることに興味があります。
注：並行して、名目上のロジスティックプラットフォームも評価していますが、興味深い方法論のように思われるため、生存分析を検討しています。
スコアリング
1.1つの列に序数スコア1〜9があります。これがパネリストの反応です。
2.パネリストの回答に基づいて、「合格」または「不合格」のカテゴリスコアがあります。応答が5より大きい場合、「合格」のスコアを取得します。それ以外の場合は、「失敗」。
3.1または0の検閲列があります。失敗（消費者の拒否など）が0であるのに対し、合格は1であるようにコーディングしました。これを行ったのは、消費者が「合格」スコアを付けた場合、技術的に失敗しなかったため、失敗する時間がないと考えるためです。
入力
1.ファクターX：成分Xの連続数値濃度。私は失敗する可能性を期待しています増加濃度が上がるにつれて。
2.ファクターY：成分Yの連続数値濃度。私は失敗する可能性を期待しています下降濃度が上がるにつれて。
3.ファクターZ：成分Zの連続数値濃度。私は失敗する可能性を期待しています増加濃度が上がるにつれて。
アプローチ：「失敗までの時間」としてファクターY（濃度）を使用する
0.分析->信頼性とサバイバル->パラメトリックサバイバルに適合
1.これをVA肺がんセットのように扱いました。ここでは、失敗の確率がYの関数としてどのように変化するかを確認することに関心があるため、「失敗までの時間」をファクターYとして設定しました。Yが上がると失敗の確率が下がると予想していることに注意してください。
2.私は検閲者を検閲者として置きました。
3.場所の影響：ファクターX、Y、およびZの関数として故障確率をモデル化できるモデルに関心があるため、ファクターXおよびファクターY。
問題
1.ディストリビューションプロファイラーを見ると、「時間」（別名ファクターY）が上がるにつれて、失敗の確率が実際に増加することがわかります。これは私が期待するものの反対です。
2.また、因子XとYを因子効果として、因子Zを「イベントまでの時間」として分析を繰り返しました。この場合、ファクターZの増加に伴い、失敗の確率が増加すると予想しています。 。ただし、分布プロファイラーは、因子Yの増加が失敗の確率の増加を引き起こすと予測しています。これは正しくないと思います。
生存分析を正しく設定していないか、代わりに名目ロジスティック回帰を使用する必要があると思われます。ただし、濃度のしきい値を見つけるために生存方法が使用されていることは知っています（たとえば、Xの濃度が数パーセントを超える場合、消費者が製品を拒否する確率は50％を超えます）。たとえば、この論文は次のとおりです。「生存分析を使用した感覚障害に対する消費者の受容限界の決定」 。
資力
1.入力を示すためにサンプルデータセット（JMPテーブル）を添付しました。
2.イベントまでの時間としてファクターYをどこに置いたかを示す分析を添付しました。
ここで失敗と合格に0と1を使用して設定したものは、生存分析で「失敗」と「右打ち切り」を意味します。 しかし、あなたが参照している論文は異なっています。 式（1）を読んでください。その中にある段落と、その上の段落も読んでください。
このペーパーを参照することをお勧めしますヒットミスデータを使用した非破壊評価のための分位PODなぜそうなのかを理解するために。
