生命數據平台中競爭風險混合和子樣本之間的分佈參數不匹配大家好，
我用壽命分佈平台來自可靠性和生存使分佈適合可靠性結果。
為了區分失敗原因，我使用了 2 個威布爾分佈競爭風險組合的壽命分佈平台（參見下圖和附件）。
第 1 部分競爭風險混合報告中與第一威布爾分佈相關的可靠性結果的一部分的值（以黃色標記）。
在壽命分佈平台威布爾分佈適合可靠性結果的 [ 1 - (部分 1) ]% 子集。
據我了解第二分佈的威布爾參數競爭風險組合報告和子集必須匹配，但實際上不匹配（用黃色標記）。
為什麼威布爾參數在第二分佈之間競爭風險組合報告和子集是不同的？
可靠度分析回覆：生命數據平台中競爭風險混合和子樣本之間的分佈參數不匹配你所做的不是我建議的。 您上次使用「生命分佈 - 比較組」所做的工作是本討論主題中的第三個分析。 您所做的工作在技術上與您在第二次分析中所做的工作相同。 這就是為什麼你會得到「相同」的結果。 我不明白目標，所以我將停止嘗試指導您的具體數據。 接下來，我將使用 JMP 範例資料集來闡述我的觀點，這對於閱讀本主題的讀者來說通常是有用的。
第一的， ”競爭風險組合“ 和 ”競爭的原因」是兩種不同的分析。 術語「競爭風險」和「競爭原因」在文獻中可以互換使用。 它們都進行多行觀察，每個觀察都是事件發生時間的觀察。 每個觀察結果都與一個原因有關。 但在一些實驗中，你知道原因；在其他實驗中，你不需要。 當您沒有失敗原因時，您可以使用競爭風險組合。 當你有失敗原因時，你可以使用「競爭原因」。 競爭風險混合可以幫助您猜測單一失敗原因的分佈，但無法確定單一觀察結果的原因。 競爭原因適合各個故障原因的分佈，且故障原因是已知資訊。 在正常使用情況下，不應混淆使用哪種分析，也不應為了切換分析類型而修改資料。 「Appliance.jmp」是可靠性範例資料資料夾下的範例數據，用於說明競爭原因。 表中有一個原因代碼列。 「Mixture Demo.jmp」（可靠性樣本資料資料夾下的樣本資料）中的「Y2」欄位是為了說明競爭風險混合而建立的。 表中沒有原因資訊。
其次，使用Competing Cause時，使用者不需要修改資料。 軟體為使用者修改資料以適應模型。 從概念上講，該軟體的作用如下。 我使用“Appliance.jmp”作為範例。
- 對於每個原因代碼，建立整個資料的副本。 假設當前原因代碼為 9。 我有一份 36 行的完整資料的副本。
- 建立兩個新列：左列和右列。
- 對於每一行，如果原因代碼為 9，則將時間週期簡單複製到左側和右側。 行範例，第二行。
- 如果原因代碼不是 9，則將時間週期複製到左側，但用缺失值填滿右側。 您可能會認識到這代表了正確的審查觀察。 以第一行為例，其失敗原因為1。 因為它是競爭原因，所以原因 1 首先發生。 如果我們假裝1沒有發生，並且系統將由於原因9而失敗，那麼失敗時間應該在11個週期之後的某個地方，但我們不知道什麼時候。 因此，對於這一行，軟體將 11 複製到左側，並用缺失值填充右側。
- 現在，如果您想要擬合導致程式碼 1 的分佈，則「左」和「右」是應轉到「Y 事件時間」角色的新欄位。
新數據如下所示：
如果您使用壽命分佈分析修改後的數據，如下所示：
您可以獲得與競爭原因分析相同的威布爾估計值。
這是透過執行 Appliance.jmp 中的嵌入腳本來實現競爭原因的結果。
這是使用修改後的資料進行壽命分佈的結果。
對所有原因代碼值重複此操作。 您可以獲得所有原因的分配的完整結果。 該軟體為使用者完成所有這些工作，並最終將所有擬合分佈聚合為系統的故障分佈。
最後，我想強調，「競爭風險組合“ 和 ”競爭的原因」是兩種不同的分析。 應根據是否有故障原因資訊來決定使用哪一種。
最後，對於您的最後一個問題，Fit Life by X 不支援競爭風險混合類型分佈。
回覆：生命數據平台中競爭風險混合和子樣本之間的分佈參數不匹配親愛的彭劉，
感謝您快速而清晰的答覆。
我提出了建議的更改，將可靠性資料拆分為兩種故障模式，其中拆分點是第 1 部分價值來自競爭風險混合報告。
威布爾α和β第 2 組的分佈參數（見下圖）與威布爾值相同α和β來自我上面帖子中的子集的分佈參數。
聚苯乙烯
有辦法做嗎競爭風險組合在X 健康生活平台？
回覆：生命數據平台中競爭風險混合和子樣本之間的分佈參數不匹配當您擬合競爭風險混合物時，數據表示沒有有關失敗原因的資訊。
當您擬合修改的資料並將其視為由於第二個原因而導致的子集時，您提供了有關失敗原因的具體資訊。
不同的數據，不同的模型，所以結果不同。
我也看看你如何修改數據。 您將前 25 行合併為權重 = 26 的一行。 我猜您想使用該單行來表示由於第一個原因而導致的失敗。 假設你對原因的判斷是正確的，那麼修改資料的方式是不正確的。 以第二行為例，由於第一個原因，它在[0.25,0.5]之間失敗。 您應該將其修改為[0.5, MISSING]，以便將其視為由於第二個原因而進行的右刪失觀察，這意味著如果由於第二個原因而失敗，則它會在0.5 之後的某個時間發生。
無論如何，即使您按照我的描述修改數據，結果也不會相同。 資訊不同，模型不同，結果也會不同。
