mancata corrispondenza dei parametri di distribuzione tra la miscela di rischio concorrente e il sottocampione nella piattaforma Life DataCiao a tutti,
Io uso Distribuzione della vita piattaforma da Affidabilità e sopravvivenza per adattare la distribuzione ai risultati di affidabilità.
Per distinguere tra le cause di errore ho usato 2 distribuzioni Weibull in Miscela di rischio concorrente di Distribuzione della vita piattaforma (vedi grafici sotto e file allegato).
Porzione 1 valore (contrassegnato in giallo) dal rapporto sulla miscela di rischio concorrente specie parte dei risultati di affidabilità relativi alla distribuzione 1a Weibull.
In Distribuzione della vita la distribuzione della piattaforma Weibull è stata adattata a [ 1 - (porzione 1) ]% sottoinsieme dei risultati di affidabilità.
Per quanto ho capito i parametri Weibull della 2a distribuzione in Miscela di rischio concorrente rapporto e sottoinsieme devono corrispondere, ma in realtà non lo sono (contrassegnati in giallo).
Perché i parametri Weibull tra la 2a distribuzione in Miscela di rischio concorrente rapporto e sottoinsieme sono diversi?
AltroRe: mancata corrispondenza dei parametri di distribuzione tra la miscela di rischio concorrente e il sottocampione nella piattaforma Life DataQuando si adatta la miscela di rischio concorrente, i dati significano che non ci sono informazioni sulla causa del guasto.
Quando si adattano i dati modificati e li si tratta come un sottoinsieme a causa della seconda causa, si forniscono informazioni concrete sulla causa dell'errore.
Dati diversi, modelli diversi, risultati così diversi.
Vedo anche come modifichi i dati. Hai consolidato le prime 25 righe in una riga con peso = 26. Immagino che tu voglia usare quella singola riga per rappresentare gli errori dovuti alla prima causa. Supponendo che tu abbia ragione sulle cause, il modo di modificare i dati non è corretto. Prendi la seconda riga come esempio, fallisce tra [0.25,0.5] a causa della prima causa. Avresti dovuto modificarlo come [0.5, MANCANTE], in modo che venga trattato come un'osservazione censurata giusta a causa della seconda causa, il che significa che se avesse fallito a causa della seconda causa, sarebbe successo dopo 0.5.
Indipendentemente da ciò, anche se modifichi i dati come ho descritto, i risultati non saranno comunque gli stessi. Le informazioni sono diverse, i modelli sono diversi, i risultati saranno diversi.
Re: mancata corrispondenza dei parametri di distribuzione tra la miscela di rischio concorrente e il sottocampione nella piattaforma Life DataCaro peng_liu,
Grazie per la risposta rapida e chiara.
Ho apportato modifiche suggerite per dividere i dati sull'affidabilità in due modalità di errore, dove si trova il punto di divisione Porzione 1 valore da Rapporto sulla miscela di rischio concorrente.
Il Weibull α e beta i parametri di distribuzione del gruppo 2 (vedi grafico sotto) hanno gli stessi valori di Weibull α e beta parametri di distribuzione dal sottoinsieme nel mio post sopra.
PS
C'è modo di fare Miscela di rischio concorrente in Fit Life di X piattaforma?
Re: mancata corrispondenza dei parametri di distribuzione tra la miscela di rischio concorrente e il sottocampione nella piattaforma Life DataQuello che hai fatto non è quello che ho suggerito. Quello che hai fatto nell'ultimo utilizzo di "Distribuzione vita - Confronta gruppi" è una terza analisi in questo thread di discussione. Quello che hai fatto è tecnicamente identico a quello che hai fatto nella tua seconda analisi. Ecco perché ottieni "stessi" risultati. Non capisco l'obiettivo, quindi smetterò di provare a guidare sui tuoi dati specifici. Di seguito, utilizzerò i set di dati di esempio JMP per rendere i miei punti utili in generale per il pubblico che legge questo thread.
Primo, " Miscela di rischio concorrente " e " Causa concorrente "sono due analisi diverse. I termini "rischio concorrente" e "causa concorrente" possono essere usati in modo intercambiabile in letteratura. Entrambi prendono righe di osservazioni e ogni osservazione è un'osservazione tempo-evento. E ogni osservazione è associata a una causa. Ma in alcuni esperimenti conoscevi la causa; in altri esperimenti, non lo fai. Quando non hai cause di fallimento, usi una miscela di rischio concorrente. Quando hai cause di errore, usi "Causa concorrente". Competing Risk Mixture ti aiuta a indovinare le distribuzioni delle singole cause di fallimento, ma non sarà in grado di dire con certezza le cause delle singole osservazioni. La causa concorrente si adatta alle distribuzioni delle singole cause di guasto e la causa del guasto è un'informazione nota. In casi d'uso normali, non dovrebbe esserci confusione su quale analisi utilizzare e non si dovrebbero modificare i dati per cambiare tipo di analisi. "Appliance.jmp" è un dato di esempio nella cartella dei dati di esempio di affidabilità per illustrare la causa concorrente. Nella tabella è presente una colonna Codice causa. La colonna "Y2" in "Mixture Demo.jmp", un campione di dati nella cartella Reliability sample data, viene creata per illustrare la miscela di rischio concorrente. Non ci sono informazioni sulla causa nella tabella.
In secondo luogo, quando si utilizza Competing Cause, non è necessario che l'utente modifichi i dati. Il software modifica i dati affinché l'utente si adatti al modello. Ecco cosa fa concettualmente il software. Uso "Appliance.jmp" come esempio.
- Per ogni codice di causa, creare una copia dell'intero dato. Supponiamo che il codice causa corrente sia 9. E ho una copia di interi dati di 36 righe.
- Crea due nuove colonne: Sinistra e Destra.
- Per ogni riga, se il codice causa è 9, copia semplicemente su Time Cycles sia a sinistra che a destra. Esempio di riga, la seconda riga.
- Se il codice causa non è 9, copia i cicli temporali a sinistra, ma riempi a destra con un valore mancante. Potresti riconoscere che questo rappresenta una giusta osservazione censurata. Prendi la prima riga come esempio, la cui causa di errore è 1. Poiché è una causa in competizione, la causa 1 è avvenuta per prima. Se facciamo finta che 1 non sia accaduto e il sistema fallirà a causa della causa 9, il tempo di guasto dovrebbe essere da qualche parte dopo 11 cicli, ma non sappiamo quando. Quindi, per questa riga, il software copia 11 a sinistra e riempie a destra con un valore mancante.
- Ora Left e Right sono le nuove colonne che dovrebbero andare al ruolo Y Time to Event, se si desidera adattare una distribuzione per causare il codice 1.
Ecco come appaiono i nuovi dati:
Se analizzi i dati modificati utilizzando Life Distribution in questo modo:
È possibile ottenere le stesse stime Weibull di quelle dell'analisi di cause concorrenti.
Questo è il risultato di Competing Cause eseguendo lo script incorporato in Appliance.jmp.
E questo è il risultato di Life Distribution utilizzando i dati modificati.
Ripetere per tutti i valori del codice causa. E ottieni i risultati completi delle distribuzioni per tutte le cause. Il software esegue tutte quelle per l'utente e alla fine aggrega tutte le distribuzioni adattate in una che è la distribuzione dei guasti del sistema.
Per concludere, voglio sottolineare, " Miscela di rischio concorrente " e " Causa concorrente "sono due analisi diverse. Decisione di utilizzo che dovrebbe essere presa in base alla presenza di informazioni sulle cause del guasto.
Alla fine, alla tua ultima domanda, Fit Life di X non supporta le distribuzioni del tipo di miscela di rischio concorrente.
