Desajuste de los parámetros de distribución entre la mezcla de riesgo de la competencia y la submuestra en la plataforma Life DataHola a todos,
yo suelo Distribución de vida plataforma de Confiabilidad y Supervivencia para ajustar la distribución a los resultados de confiabilidad.
Para distinguir entre las causas de falla, utilicé 2 distribuciones de Weibull en Mezcla de riesgos competitivos de Distribución de vida plataforma (ver gráficos a continuación y archivo adjunto).
Porción 1 El valor (marcado con amarillo) del informe Comping Risk Mixture especie parte de los resultados de confiabilidad relacionados con la distribución de 1st Weibull.
En Distribución de vida La distribución de la plataforma Weibull se ajustó al [ 1 - (Porción 1) ]% del subconjunto de resultados de confiabilidad.
Según tengo entendido, los parámetros de Weibull de la segunda distribución en Mezcla de riesgos competitivos informe y subconjunto tienen que coincidir, pero en realidad no lo son (marcados con amarillo).
¿Por qué los parámetros de Weibull entre la segunda distribución en Mezcla de riesgos competitivos informe y subconjunto ¿son diferentes?
OtroRe: discrepancia de parámetros de distribución entre la mezcla de riesgos competitivos y la submuestra en la plataforma Life DataCuando se ajusta a la combinación de riesgos competitivos, los datos significan que no hay información sobre la causa de la falla.
Cuando ajusta datos modificados y los trata como un subconjunto debido a la segunda causa, proporciona información concreta sobre la causa de la falla.
Datos diferentes, modelos diferentes, resultados tan diferentes.
También veo como modificas los datos. Consolidó las primeras 25 filas en una fila con peso = 26. Supongo que desea usar esa única fila para representar fallas debido a la primera causa. Suponiendo que tiene razón sobre las causas, la forma de modificar los datos no es correcta. Tome la segunda fila como ejemplo, falla entre [0.25,0.5] debido a la primera causa. Debería haberlo modificado como [0.5, FALTA], de modo que se trate como una observación censurada por la derecha debido a una segunda causa, lo que significa que si hubiera fallado debido a la segunda causa, habría ocurrido en algún momento después de 0.5.
De todos modos, incluso si modifica los datos como lo describí, los resultados no serán los mismos de todos modos. La información es diferente, los modelos son diferentes, los resultados serán diferentes.
Re: discrepancia de parámetros de distribución entre la mezcla de riesgos competitivos y la submuestra en la plataforma Life DataEstimado/a peng_liu,
Gracias por la respuesta rápida y clara.
Hice cambios sugeridos para dividir los datos de confiabilidad en dos modos de falla, donde el punto de división es Porción 1 valor de Informe de mezcla de riesgos competitivos.
el weibull α y β los parámetros de distribución del grupo 2 (ver el gráfico a continuación) obtuvieron los mismos valores que Weibull α y β parámetros de distribución del subconjunto en mi publicación anterior.
PD
¿Hay manera de hacer Mezcla de riesgos competitivos en Vida en forma por X ¿plataforma?
Re: discrepancia de parámetros de distribución entre la mezcla de riesgos competitivos y la submuestra en la plataforma Life DataLo que hiciste no es lo que sugerí. Lo que ha hecho en el último uso de "Distribución de vida - Comparar grupos" es un tercer análisis en este hilo de discusión. Lo que ha hecho es técnicamente idéntico a lo que ha hecho en su segundo análisis. Es por eso que obtienes "los mismos" resultados. No entiendo el objetivo, así que dejaré de intentar orientarte sobre tus datos específicos. A continuación, usaré conjuntos de datos de muestra de JMP para exponer mis puntos, que serán útiles en general para la audiencia que lea este hilo.
Primero, " Mezcla de riesgos competitivos " y " Causa en competencia son dos análisis diferentes. Los términos "riesgo en competencia" y "causa en competencia" pueden usarse indistintamente en la literatura. Ambos toman filas de observaciones, y cada observación es una observación de tiempo hasta el evento. Y cada observación está asociada a una causa. Pero en algunos experimentos, conocías la causa; en otros experimentos, no. Cuando no tiene causas de falla, usa la Mezcla de riesgos competitivos. Cuando tiene causas de falla, usa "Causa en competencia". La combinación de riesgos competitivos le ayuda a adivinar las distribuciones de las causas de fallas individuales, pero no podrá decir con certeza las causas de las observaciones individuales. La causa en competencia se ajusta a distribuciones de causas de fallas individuales, y la causa de la falla es información conocida. En casos de uso normales, no debería haber confusión sobre qué análisis utilizar y no se deberían modificar los datos para cambiar los tipos de análisis. "Appliance.jmp" es un dato de muestra en la carpeta de datos de muestra de confiabilidad para ilustrar la causa en competencia. Hay una columna de código de causa en la tabla. La columna "Y2" en "Mixture Demo.jmp", una muestra de datos en la carpeta de datos de muestra de confiabilidad, se crea para ilustrar la combinación de riesgos competitivos. No hay información sobre la causa en la tabla.
En segundo lugar, cuando se utiliza Causa en competencia, no es necesario que el usuario modifique los datos. El software modifica los datos para que el usuario se ajuste al modelo. Esto es lo que hace el software conceptualmente. Uso "Appliance.jmp" como ejemplo.
- Para cada código de causa, cree una copia de todos los datos. Supongamos que el código de causa actual es 9. Y tengo una copia de datos completos de 36 filas.
- Crea dos nuevas columnas: Izquierda y Derecha.
- Para cada fila, si el código de causa es 9, simplemente copie los Ciclos de tiempo tanto a la izquierda como a la derecha. Ejemplo de fila, la segunda fila.
- Si el código de causa no es 9, copie Ciclos de tiempo a la izquierda, pero rellene la derecha con un valor faltante. Puede reconocer que esto representa una observación censurada por la derecha. Tome la primera fila como ejemplo, cuya causa de falla es 1. Debido a que es una causa en competencia, la causa 1 sucedió primero. Si pretendemos que 1 no sucedió, y el sistema fallará debido a la causa 9, el tiempo de falla debería ser después de 11 ciclos, pero no sabemos cuándo. Entonces, para esta fila, el software copia 11 a la izquierda y completa la derecha con un valor faltante.
- Ahora Izquierda y Derecha son las nuevas columnas que deben ir a la función Y Tiempo hasta el evento, si desea ajustar una distribución para causar el código 1.
Así es como se ven los nuevos datos:
Si analiza los datos modificados usando Life Distribution así:
Puede obtener las mismas estimaciones de Weibull que las del análisis de causas en competencia.
Este es el resultado de Competir Cause al ejecutar el script incrustado en Appliance.jmp.
Y este es el resultado de Life Distribution usando los datos modificados.
Repita para todos los valores de código de causa. Y obtienes los resultados completos de las distribuciones por todas las causas. El software hace todo eso por el usuario y finalmente agrega todas las distribuciones ajustadas en una que es la distribución de fallas del sistema.
Para concluir, quiero enfatizar, " Mezcla de riesgos competitivos " y " Causa en competencia son dos análisis diferentes. La decisión de usar cuál se debe tomar en función de si hay información de las causas de la falla.
Al final, a su última pregunta, Fit Life by X no admite distribuciones de tipo Mezcla de riesgos competitivos.
