Los parámetros de distribución no coinciden entre la combinación de riesgos en competencia y la plataforma SubSample in Life Data.Hola a todos,
yo suelo Distribución de vida plataforma de Fiabilidad 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 en competencia de Distribución de vida plataforma (ver gráficos a continuación y archivo adjunto).
Porción 1 El valor (marcado en amarillo) del informe de mezcla de riesgos en competencia forma parte de los resultados de confiabilidad relacionados con la primera distribución de Weibull.
En Distribución de vida La distribución Weibull de la plataforma se ajustó al [1 - (Parte 1)]% del subconjunto de resultados de confiabilidad.
Hasta donde tengo entendido, los parámetros de Weibull de segunda distribución en Mezcla de riesgos en competencia 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 en competencia informe y subconjunto ¿son diferentes?
Análisis de fiabilidadRe: discrepancia en los parámetros de distribución entre la combinación de riesgos en competencia y la submuestra en la plataforma de datos de vidaLo que hiciste no es lo que te 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 orientarme sobre tus datos específicos. A continuación, utilizaré conjuntos de datos de muestra de JMP para exponer mis puntos y que sean útiles en general para la audiencia que lee este hilo.
Primero, " Mezcla de riesgos en competencia " 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 se conocía la causa; en otros experimentos, no es así. Cuando no tiene causas de falla, utiliza la combinación de riesgos competitivos. Cuando tiene causas de falla, utiliza "Causa en competencia". La combinación de riesgos competitivos le ayuda a adivinar las distribuciones de las causas de fallas individuales, pero no podrá determinar con seguridad las causas de las observaciones individuales. La causa en competencia se ajusta a las 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 de tipo 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", un dato de muestra en la carpeta de datos de muestra de confiabilidad, se crea para ilustrar la combinación de riesgos en competencia. No hay información de causa en la tabla.
En segundo lugar, cuando se utiliza Competing Cause, 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. Utilizo "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 los datos completos de 36 filas.
- Cree dos columnas nuevas: Izquierda y Derecha.
- Para cada fila, si el código de causa es 9, simplemente copie los ciclos de tiempo hacia la izquierda y hacia la derecha. Ejemplo de fila, la segunda fila.
- Si el código de causa no es 9, copie los ciclos de tiempo a la izquierda, pero complete la derecha con un valor faltante. Quizás reconozcas que esto representa una observación censurada por la derecha. Tomemos como ejemplo la primera fila, cuya causa de falla es 1. Debido a que es una causa competitiva, la causa 1 ocurrió primero. Si pretendemos que 1 no sucedió y el sistema fallará debido a la causa 9, el tiempo de falla debería ser algo 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 de esta manera:
Puede obtener las mismas estimaciones de Weibull que las del análisis de causas en competencia.
Este es el resultado de Causa en competencia al ejecutar el script integrado en Appliance.jmp.
Y este es el resultado de Life Distribution utilizando los datos modificados.
Repita para todos los valores del código de causa. Y obtendrá 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 en competencia " y " Causa en competencia " son dos análisis diferentes. La decisión sobre su uso debe tomarse en función de si existe información sobre las causas de la falla.
Al final, a su última pregunta, Fit Life by X no admite distribuciones de tipo Competiting Risk Mixture.
Re: discrepancia en los parámetros de distribución entre la combinación de riesgos en competencia y la submuestra en la plataforma de datos de vidaEstimado 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 combinación de riesgos competitivos.
El Weibull α y b Los parámetros de distribución del grupo 2 (ver gráfico a continuación) obtuvieron los mismos valores que Weibull. α y b parámetros de distribución del subconjunto en mi publicación anterior.
PD
¿Hay manera de hacerlo? Mezcla de riesgos en competencia en Vida en forma por X ¿plataforma?
Re: discrepancia en los parámetros de distribución entre la combinación de riesgos en competencia y la submuestra en la plataforma de datos de vidaCuando 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 diferentes.
También veo como modificas los datos. Consolidaste las primeras 25 filas en una fila con peso = 26. Supongo que desea utilizar esa única fila para representar fallas debidas a la primera causa. Suponiendo que tenga razón sobre las causas, la forma de modificar los datos no es la correcta. Tome la segunda fila como ejemplo, falla entre [0.25,0.5] debido a la primera causa. Deberías haberlo modificado como [0.5, MISSING], para 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 sucedido 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.
