inadéquation des paramètres de distribution entre le mélange de risques concurrents et la plateforme SubSample in Life DataSalut tout le monde,
j'utilise Répartition de la vie plateforme de Fiabilité et survie pour adapter la distribution aux résultats de fiabilité.
Pour distinguer les causes d'échec, j'ai utilisé 2 distributions Weibull dans Mélange de risques concurrents de Répartition de la vie plateforme (voir graphiques ci-dessous et fichier joint).
Partie 1 valeur (marquée en jaune) du rapport sur les espèces à risque concurrent faisant partie des résultats de fiabilité liés à la 1ère distribution de Weibull.
Dans Répartition de la vie La distribution de Weibull sur la plate-forme a été ajustée au sous-ensemble de [1 - (Portion 1)] % des résultats de fiabilité.
Pour autant que je comprenne les paramètres de Weibull de la 2ème distribution dans Mélange de risques concurrents rapport et sous-ensemble doivent correspondre, mais ils ne le sont pas en réalité (marqués en jaune).
Pourquoi les paramètres de Weibull entre la 2ème distribution dans Mélange de risques concurrents rapport et sous-ensemble sont différents?
Analyse de fiabilitéRe : inadéquation des paramètres de distribution entre le mélange de risques concurrents et la plate-forme SubSample in Life DataCe que vous avez fait n'est pas ce que j'ai suggéré. Ce que vous avez fait dans la dernière fois en utilisant "Life Distribution - Compare Groups" est une troisième analyse dans ce fil de discussion. Ce que vous avez fait est techniquement identique à ce que vous avez fait dans votre deuxième analyse. C'est pourquoi vous obtenez les « mêmes » résultats. Je ne comprends pas l'objectif, je vais donc arrêter d'essayer de vous guider sur vos données spécifiques. Dans ce qui suit, j'utiliserai des exemples d'ensembles de données JMP pour faire valoir mes arguments, qui seront utiles en général au public qui lira ce fil.
D'abord, " Mélange de risques concurrents " et " Cause concurrente " sont deux analyses différentes. Les termes « risque concurrent » et « cause concurrente » peuvent être utilisés de manière interchangeable dans la littérature. Ils prennent tous deux des rangées d’observations, et chaque observation est une observation temporelle jusqu’à l’événement. Et chaque observation est associée à une cause. Mais dans certaines expériences, vous en connaissiez la cause ; dans d'autres expériences, ce n'est pas le cas. Lorsque vous n’avez pas de causes d’échec, vous utilisez un mélange de risques concurrents. Lorsque vous avez des causes d'échec, vous utilisez « Cause concurrente ». Le mélange de risques concurrents vous aide à deviner les distributions des causes de défaillance individuelles, mais ne sera pas en mesure de déterminer avec certitude les causes des observations individuelles. La cause concurrente correspond aux distributions des causes de défaillance individuelles, et la cause de la défaillance est une information connue. Dans des cas d'utilisation normaux, il ne devrait pas y avoir de confusion quant à l'analyse à utiliser, et il ne faut pas modifier les données afin de changer de type d'analyse. « Appliance.jmp » est un exemple de données dans le dossier de données d'exemple de fiabilité pour illustrer la cause concurrente. Il y a une colonne Code de cause dans le tableau. La colonne « Y2 » dans « Mixture Demo.jmp », un exemple de données sous le dossier de données d'exemple de fiabilité, est créée pour illustrer le mélange de risques concurrents. Il n'y a aucune information sur la cause dans le tableau.
Deuxièmement, lors de l’utilisation de Competing Cause, l’utilisateur n’a pas besoin de modifier les données. Le logiciel modifie les données pour que l'utilisateur s'adapte au modèle. Voici ce que fait conceptuellement le logiciel. J'utilise "Appliance.jmp" comme exemple.
- Pour chaque code de cause, créez une copie de l'intégralité des données. Supposons que le code de cause actuel soit 9. Et j'ai une copie des données entières de 36 lignes.
- Créez deux nouvelles colonnes : Gauche et Droite.
- Pour chaque ligne, si le code de cause est 9, copiez simplement les cycles temporels vers la gauche et la droite. Exemple de ligne, la deuxième ligne.
- Si le code de cause n'est pas 9, copiez Time Cycles à gauche, mais remplissez à droite avec une valeur manquante. Vous reconnaîtrez peut-être qu’il s’agit d’une observation censurée à juste titre. Prenons l'exemple de la première ligne, dont la cause d'échec est 1. Parce qu'il s'agit d'une cause concurrente, la cause 1 s'est produite en premier. Si nous prétendons que 1 ne s'est pas produit et que le système échouera à cause de la cause 9, le temps de défaillance devrait être après 11 cycles, mais nous ne savons pas quand. Ainsi, pour cette ligne, le logiciel copie 11 vers la gauche et remplit la droite avec une valeur manquante.
- Désormais, Gauche et Droite sont les nouvelles colonnes qui doivent être attribuées au rôle Y Time to Event, si vous souhaitez adapter une distribution pour provoquer le code 1.
Voici à quoi ressemblent les nouvelles données :
Si vous analysez les données modifiées à l'aide de Life Distribution comme ceci :
Vous pouvez obtenir les mêmes estimations de Weibull que celles de l’analyse des causes concurrentes.
Il s'agit du résultat de Competing Cause en exécutant le script intégré dans Appliance.jmp.
Et c'est le résultat de Life Distribution utilisant les données modifiées.
Répétez l’opération pour toutes les valeurs de code de cause. Et vous obtenez les résultats complets des distributions pour toutes les causes. Le logiciel fait tout cela pour l'utilisateur et regroupe finalement toutes les distributions ajustées en une seule qui est la distribution de défaillance du système.
Pour conclure, je tiens à souligner : " Mélange de risques concurrents " et " Cause concurrente " sont deux analyses différentes. La décision d'utilisation doit être prise en fonction de l'existence ou non d'informations sur les causes de défaillance.
En fin de compte, pour répondre à votre dernière question, Fit Life by X ne prend pas en charge les distributions de type Competing Risk Mixture.
Re : inadéquation des paramètres de distribution entre le mélange de risques concurrents et la plate-forme SubSample in Life DataCher peng_liu,
Merci pour votre réponse rapide et claire.
J'ai suggéré des modifications pour diviser les données de fiabilité en deux modes de défaillance, où le point de partage est Partie 1 valeur de Rapport sur la combinaison de risques concurrents.
Le Weibull α et β les paramètres de distribution du groupe 2 (voir graphique ci-dessous) ont les mêmes valeurs que Weibull α et β paramètres de distribution du sous-ensemble dans mon message ci-dessus.
PS
Y a-t-il un moyen de faire Mélange de risques concurrents dans Fit Life par X plate-forme?
Re : inadéquation des paramètres de distribution entre le mélange de risques concurrents et la plate-forme SubSample in Life DataLorsque vous adaptez une combinaison de risques concurrents, les données signifiaient qu'il n'y avait aucune information sur la cause de l'échec.
Lorsque vous ajustez des données modifiées et les traitez comme un sous-ensemble en raison de la deuxième cause, vous fournissez des informations concrètes sur la cause de l'échec.
Différentes données, différents modèles, donc différents résultats.
Je vois aussi comment vous modifiez les données. Vous avez consolidé les 25 premières lignes en une seule ligne avec un poids = 26. Je suppose que vous souhaitez utiliser cette seule ligne pour représenter les échecs dus à la première cause. Dans l’hypothèse que vous avez raison sur les causes, la manière de modifier les données n’est pas la bonne. Prenons l'exemple de la deuxième ligne, elle échoue entre [0,25,0,5] en raison de la première cause. Vous auriez dû le modifier comme [0,5, MANQUANT], afin qu'il soit traité comme une observation censurée à droite en raison d'une deuxième cause, ce qui signifie que si elle avait échoué en raison de la deuxième cause, cela se serait produit quelque temps après 0,5.
Quoi qu'il en soit, même si vous modifiez les données comme je l'ai décrit, les résultats ne seront de toute façon pas les mêmes. Les informations sont différentes, les modèles sont différents, les résultats seront différents.
