Competing Risk Mixture와 SubSample in Life 데이터 플랫폼 간의 분포 매개변수 불일치안녕 모두,
나는 사용한다 생명 분배 플랫폼 신뢰성과 생존 분포를 신뢰도 결과에 맞게 조정합니다.
실패 원인을 구별하기 위해 2개의 Weibull 분포를 사용했습니다. 경쟁 위험 혼합물 의 생명 분배 플랫폼(아래 그래프 및 첨부 파일 참조).
부분 1 경쟁 위험 혼합물 보고서의 값(노란색으로 표시)은 1차 Weibull 분포와 관련된 신뢰도 결과의 일부입니다.
에 생명 분배 플랫폼 Weibull 분포는 신뢰도 결과의 [ 1 - (부분 1) ]% 하위 집합에 적합했습니다.
내가 2차 분포의 Weibull 매개변수를 이해하는 한 경쟁 위험 혼합물 보고하고 부분집합 일치해야 하지만 실제로는 일치하지 않습니다(노란색으로 표시됨).
2차 분포 사이에 Weibull 매개변수가 있는 이유 경쟁 위험 혼합물 보고하고 부분집합 다르다?
다른Re: Competing Risk Mixture와 SubSample in Life 데이터 플랫폼 간의 분포 매개변수 불일치경쟁 위험 혼합에 적합할 때 데이터는 실패 원인에 대한 정보가 없음을 의미했습니다.
수정된 데이터를 피팅하고 두 번째 원인으로 인해 하위 집합으로 취급할 때 실패 원인에 대한 구체적인 정보를 제공합니다.
다른 데이터, 다른 모델, 다른 결과.
나는 또한 당신이 데이터를 수정하는 방법을 참조하십시오. 처음 25개 행을 가중치가 26인 하나의 행으로 통합했습니다. 첫 번째 원인으로 인한 실패를 나타내기 위해 해당 단일 행을 사용하려는 것 같습니다. 원인에 대해 옳다고 가정하면 데이터를 수정하는 방법이 올바르지 않습니다. 두 번째 행을 예로 들면 첫 번째 원인으로 인해 [0.25,0.5] 사이에 실패합니다. [0.5, MISSING]으로 수정해야 하므로 두 번째 원인으로 인해 오른쪽 중도절단된 관찰로 처리됩니다. 즉, 두 번째 원인으로 인해 실패했다면 0.5 이후에 발생했을 것입니다.
어쨌든 내가 설명한 대로 데이터를 수정해도 결과는 동일하지 않습니다. 정보가 다르고 모델이 다르며 결과가 다릅니다.
Re: Competing Risk Mixture와 SubSample in Life 데이터 플랫폼 간의 분포 매개변수 불일치친애하는 peng_liu,
빠르고 명쾌한 답변 감사합니다.
안정성 데이터를 두 가지 오류 모드로 분할하기 위해 제안된 변경 사항을 제안했습니다. 여기서 분할 지점은 부분 1 ~의 가치 경쟁 위험 혼합물 보고서.
와이블 α 그리고 β 그룹 2의 분포 매개변수(아래 그래프 참조)는 Weibull과 동일한 값을 가짐 α 그리고 β 위의 내 게시물에 있는 하위 집합의 분포 매개변수입니다.
추신
하는 방법이 있나요 경쟁 위험 혼합물 ~에 핏 라이프 바이 X 플랫폼?
Re: Competing Risk Mixture와 SubSample in Life Data 플랫폼 간의 분포 매개변수 불일치당신이 한 것은 내가 제안한 것이 아닙니다. "생명 분포 - 그룹 비교"를 사용하여 마지막으로 수행한 작업은 이 토론 스레드의 세 번째 분석입니다. 수행한 작업은 두 번째 분석에서 수행한 작업과 기술적으로 동일합니다. 이것이 "동일한" 결과를 얻는 이유입니다. 나는 목적을 이해하지 못하므로 귀하의 특정 데이터에 대한 안내를 중단하겠습니다. 다음에서는 JMP 샘플 데이터 세트를 사용하여 이 스레드를 읽는 청중에게 일반적으로 유용한 제 요점을 설명하겠습니다.
첫 번째, " 경쟁 위험 혼합 " 그리고 " 경쟁 원인 "는 두 가지 다른 분석입니다. "경쟁 위험" 및 "경쟁 원인"이라는 용어는 문헌에서 상호 교환적으로 사용될 수 있습니다. 둘 다 관찰 행을 취하며 각 관찰은 이벤트 발생 시간 관찰입니다. 그리고 각 관찰은 원인과 관련이 있습니다. 그러나 일부 실험에서 원인을 알았습니다. 다른 실험에서는 그렇지 않습니다. 실패 원인이 없으면 경쟁 위험 혼합을 사용합니다. 실패 원인이 있을 때 "경쟁 원인"을 사용합니다. 경쟁 위험 혼합물은 개별 고장 원인의 분포를 추측하는 데 도움이 되지만 개별 관찰의 원인을 확실히 말할 수는 없습니다. 경쟁 원인은 개별 고장 원인의 분포에 적합하며 고장 원인은 알려진 정보입니다. 일반적인 사용 사례에서는 어떤 분석을 사용할지 혼동되어서는 안 되며, 분석 유형을 전환하기 위해 데이터를 수정해서는 안 됩니다. "Appliance.jmp"는 경쟁 원인을 설명하기 위해 Reliability 샘플 데이터 폴더 아래에 있는 샘플 데이터입니다. 테이블에 원인 코드 열이 있습니다. Reliability 샘플 데이터 폴더 아래의 샘플 데이터인 "Mixture Demo.jmp"의 "Y2" 열은 경쟁 위험 혼합물을 설명하기 위해 생성됩니다. 테이블에 원인 정보가 없습니다.
둘째, Competing Cause를 사용할 때 사용자가 데이터를 수정할 필요가 없습니다. 소프트웨어는 사용자가 모델에 맞도록 데이터를 수정합니다. 다음은 소프트웨어가 개념적으로 수행하는 작업입니다. "Appliance.jmp"를 예로 사용합니다.
- 모든 원인 코드에 대해 전체 데이터의 사본을 작성하십시오. 현재 원인 코드가 9라고 가정합니다. 그리고 36행의 전체 데이터 복사본이 있습니다.
- 두 개의 새 열(왼쪽 및 오른쪽)을 만듭니다.
- 모든 행에 대해 원인 코드가 9이면 왼쪽과 오른쪽 모두에 시간 주기를 통해 단순 복사합니다. 행 예, 두 번째 행.
- 원인 코드가 9가 아닌 경우 시간 주기를 왼쪽으로 복사하고 오른쪽은 누락된 값으로 채웁니다. 이것이 오른쪽 중도절단된 관찰을 나타낸다는 것을 알 수 있습니다. 실패 원인이 1인 첫 번째 행을 예로 들어 보겠습니다. 경쟁적 원인이기 때문에 원인 1이 먼저 발생했습니다. 1이 발생하지 않은 척하고 시스템이 원인 9로 인해 실패할 경우 실패 시간은 11주기 이후의 어느 정도여야 하지만 언제인지 모릅니다. 따라서 이 행의 경우 소프트웨어는 11을 왼쪽으로 복사하고 오른쪽을 결측값으로 채웁니다.
- 이제 왼쪽과 오른쪽은 코드 1이 발생하도록 분포를 맞추려는 경우 Y 이벤트까지의 시간 역할로 이동해야 하는 새 열입니다.
새 데이터는 다음과 같습니다.
다음과 같이 Life Distribution을 사용하여 수정된 데이터를 분석하면:
경쟁 원인 분석에서 얻은 것과 동일한 Weibull 추정치를 얻을 수 있습니다.
이는 Appliance.jmp에 포함된 스크립트를 실행하여 원인을 경쟁한 결과입니다.
그리고 수정된 데이터를 이용한 Life Distribution의 결과입니다.
모든 원인 코드 값에 대해 반복합니다. 그리고 모든 원인에 대한 전체 분포 결과를 얻을 수 있습니다. 소프트웨어는 사용자를 위해 모든 작업을 수행하고 결국 모든 적합 분포를 시스템의 실패 분포인 하나로 집계합니다.
결론적으로 강조하고 싶은 것은 " 경쟁 위험 혼합 " 그리고 " 경쟁 원인 "는 두 가지 다른 분석입니다. 고장 원인에 대한 정보가 있는지 여부에 따라 사용 여부를 결정합니다.
결국, 마지막 질문에 대해 Fit Life by X는 경쟁 위험 혼합물 유형 분포를 지원하지 않습니다.
