Nichtübereinstimmung der Verteilungsparameter zwischen konkurrierender Risikomischung und Teilstichprobe in der Life Data-PlattformHallo zusammen,
ich benutze Lebensverteilung Plattform von Zuverlässigkeit und Überleben um die Verteilung an die Zuverlässigkeitsergebnisse anzupassen.
Um zwischen Fehlerursachen zu unterscheiden, habe ich 2 Weibull-Verteilungen in . verwendet Konkurrierende Risikomischung von Lebensverteilung Plattform (siehe Grafiken unten und angehängte Datei).
Teil 1 Wert (gelb markiert) aus dem Competing Risk Mixture Report Spezies Teil der Zuverlässigkeitsergebnisse bezogen auf die 1. Weibull-Verteilung.
In Lebensverteilung Plattform-Weibull-Verteilung wurde an [ 1 - (Teil 1) ]% Teilmenge der Zuverlässigkeitsergebnisse angepasst.
Soweit ich weiß Weibull-Parameter der 2. Verteilung in Konkurrierende Risikomischung berichten und Teilmenge müssen übereinstimmen, sind es aber nicht (gelb markiert).
Warum Weibull-Parameter zwischen 2. Verteilung in Konkurrierende Risikomischung berichten und Teilmenge sind anders?
AndereBetreff: Nichtübereinstimmung der Verteilungsparameter zwischen konkurrierender Risikomischung und Teilstichprobe in der Life-Data-PlattformWenn Sie Competing Risk Mixture anpassen, bedeuteten die Daten, dass es keine Informationen über die Fehlerursache gibt.
Wenn Sie geänderte Daten anpassen und aufgrund der zweiten Ursache als Teilmenge behandeln, liefern Sie konkrete Informationen über die Fehlerursache.
Unterschiedliche Daten, unterschiedliche Modelle, also unterschiedliche Ergebnisse.
Ich sehe auch, wie Sie die Daten ändern. Sie haben die ersten 25 Zeilen zu einer Zeile mit Gewichtung = 26 zusammengefasst. Ich vermute, dass Sie diese einzelne Zeile verwenden möchten, um Fehler aufgrund der ersten Ursache darzustellen. Unter der Annahme, dass Sie mit den Ursachen richtig liegen, ist die Art und Weise der Änderung der Daten nicht korrekt. Nehmen Sie als Beispiel die zweite Reihe, sie schlägt aufgrund der ersten Ursache zwischen [0.25,0.5] fehl. Sie sollten es als [0.5, MISSING] ändern, sodass dies aufgrund der zweiten Ursache als rechtszensierte Beobachtung behandelt wird, was bedeutet, dass sie, wenn sie aufgrund der zweiten Ursache fehlgeschlagen wäre, irgendwann nach 0,5 aufgetreten wäre.
Unabhängig davon, selbst wenn Sie die Daten wie von mir beschrieben ändern, werden die Ergebnisse sowieso nicht die gleichen sein. Die Informationen sind unterschiedlich, die Modelle sind unterschiedlich, die Ergebnisse werden unterschiedlich sein.
Betreff: Nichtübereinstimmung der Verteilungsparameter zwischen konkurrierender Risikomischung und Teilstichprobe in der Life-Data-PlattformLieber peng_liu,
Vielen Dank für die schnelle und klare Antwort.
Ich habe vorgeschlagene Änderungen vorgenommen, um die Zuverlässigkeitsdaten in zwei Fehlermodi aufzuteilen, wobei der Splitpunkt ist Teil 1 Wert von Bericht über konkurrierende Risikomischung.
Der Weibull α und β Verteilungsparameter der Gruppe 2 (siehe Grafik unten) erhielten dieselben Werte wie Weibull α und β Verteilungsparameter aus der Untermenge in meinem obigen Beitrag.
PS
Gibt es eine Möglichkeit? Konkurrierende Risikomischung in Fit Life von X Plattform?
Betreff: Nichtübereinstimmung der Verteilungsparameter zwischen konkurrierender Risikomischung und Unterstichprobe in der LebensdatenplattformWas Sie getan haben, ist nicht das, was ich vorgeschlagen habe. Was Sie zuletzt mit "Lebensverteilung - Gruppen vergleichen" gemacht haben, ist eine dritte Analyse in diesem Diskussionsfaden. Was Sie getan haben, ist technisch identisch mit dem, was Sie in Ihrer zweiten Analyse getan haben. Deshalb erhalten Sie "gleiche" Ergebnisse. Ich verstehe das Ziel nicht, daher werde ich aufhören zu versuchen, Sie anhand Ihrer spezifischen Daten zu leiten. Im Folgenden werde ich JMP-Beispieldatensätze verwenden, um meine Argumente zu verdeutlichen, die allgemein für die Leser dieses Threads nützlich sind.
Zuerst, " Konkurrierende Risikomischung " und " Konkurrierende Ursache “ sind zwei unterschiedliche Analysen. Die Begriffe "konkurrierendes Risiko" und "konkurrierende Ursache" können in der Literatur austauschbar verwendet werden. Beide machen Reihen von Beobachtungen, und jede Beobachtung ist eine Zeit-bis-Ereignis-Beobachtung. Und jede Beobachtung ist mit einer Ursache verbunden. Aber in einigen Experimenten kannten Sie die Ursache; in anderen Experimenten nicht. Wenn Sie keine Fehlerursachen haben, verwenden Sie Competing Risk Mixture. Wenn Sie Fehlerursachen haben, verwenden Sie "Konkurrierende Ursache". Competing Risk Mixture hilft Ihnen, Verteilungen einzelner Fehlerursachen zu erraten, kann aber die Ursachen einzelner Beobachtungen nicht mit Sicherheit sagen. Die konkurrierende Ursache passt zu den Verteilungen einzelner Fehlerursachen, und die Fehlerursache ist eine bekannte Information. Unter normalen Anwendungsfällen sollte es keine Verwirrung darüber geben, welche Analyse verwendet werden soll, und man sollte Daten nicht ändern, um die Analysetypen zu wechseln. „Appliance.jmp“ ist ein Musterdatensatz im Ordner „Zuverlässigkeitsmusterdaten“, um die konkurrierende Ursache zu veranschaulichen. Die Tabelle enthält eine Spalte „Ursachencode“. Die Spalte „Y2“ in „Mixture Demo.jmp“, einer Beispieldatei im Ordner „Zuverlässigkeitsbeispieldaten“, wird erstellt, um das konkurrierende Risikogemisch zu veranschaulichen. Die Tabelle enthält keine Informationen zur Ursache.
Zweitens besteht bei der Verwendung von Competing Cause keine Notwendigkeit für den Benutzer, Daten zu ändern. Die Software passt die Daten für den Benutzer an das Modell an. Hier ist, was die Software konzeptionell tut. Ich verwende "Appliance.jmp" als Beispiel.
- Erstellen Sie für jeden Ursachencode eine Kopie der gesamten Daten. Angenommen, der aktuelle Ursachencode ist 9. Und ich habe eine Kopie der gesamten Daten von 36 Zeilen.
- Erstellen Sie zwei neue Spalten: Links und Rechts.
- Wenn der Ursachencode 9 ist, kopieren Sie für jede Zeile einfach die Zeitzyklen nach links und rechts. Zeilenbeispiel, die zweite Zeile.
- Wenn der Ursachencode nicht 9 ist, kopiere Time Cycles nach Left, aber fülle Right mit einem fehlenden Wert. Sie können erkennen, dass dies eine rechtszensierte Beobachtung darstellt. Nehmen Sie als Beispiel die erste Reihe, deren Ausfallursache 1 ist. Da es sich um eine konkurrierende Ursache handelt, trat Ursache 1 zuerst auf. Wenn wir vorgeben, dass 1 nicht passiert ist und das System aufgrund von Ursache 9 ausfallen wird, sollte die Ausfallzeit irgendwo nach 11 Zyklen liegen, aber wir wissen nicht, wann. Für diese Zeile kopiert die Software also 11 nach Links und füllt Rechts mit einem fehlenden Wert.
- Jetzt sind Left und Right die neuen Spalten, die zur Rolle Y Time to Event gehen sollten, wenn Sie eine Verteilung anpassen möchten, um Code 1 zu verursachen.
So sehen die neuen Daten aus:
Wenn Sie die modifizierten Daten mit Life Distribution wie folgt analysieren:
Sie können die gleichen Weibull-Schätzungen wie bei der Analyse der konkurrierenden Ursache erhalten.
Dies ist das Ergebnis von Competing Cause durch Ausführen des eingebetteten Skripts in Appliance.jmp.
Und dies ist das Ergebnis der Lebensverteilung unter Verwendung der modifizierten Daten.
Wiederholen Sie dies für alle Ursachencodewerte. Und Sie erhalten die vollständigen Ergebnisse der Verteilungen für alle Ursachen. Die Software erledigt all dies für den Benutzer und aggregiert schließlich alle angepassten Verteilungen zu einer, die die Fehlerverteilung des Systems ist.
Abschließend möchte ich betonen: „ Konkurrierende Risikomischung " und " Konkurrierende Ursache “ sind zwei unterschiedliche Analysen. Die Entscheidung über die Verwendung sollte auf der Grundlage getroffen werden, ob Informationen über Fehlerursachen vorliegen.
Abschließend zu Ihrer letzten Frage: Fit Life by X unterstützt keine Verteilungen vom Typ „Konkurrierende Risikomischung“.
