Weibull fit für zwei Gruppen, zweite Gruppe hat keine AusfälleHallo Leute.
In diesem alter Thread , @martindemel fragte, wie man Weibull-Verteilungen gleichzeitig an zwei Gruppen anpassen kann – die erste Gruppe hat Standarddaten, aber die zweite Gruppe hat nur einen Fehler. Für die zweite Gruppe wollte der Benutzer den Beta-Parameter festlegen, indem er den Wert aus der ersten Gruppe verwendete, und dann Alpha schätzen. Die Antwort war, Fit Y by X zu verwenden, das funktioniert wie ein Zauber.
Ich habe einen potenziellen Kunden, der das Gleiche tun möchte, außer dass es bei Gruppe 2 keine Ausfälle gibt, sondern nur rechtszensierte Daten.Er behauptet, dass dies in Weibull++ möglich sei und möchte es in JMP replizieren. Die zuvor beschriebene Methode funktioniert hier nicht.
Irgendwelche Ideen? Beispieldatensatz anhängen.
Danke, Jordan
Betreff: Weibull fit für zwei Gruppen, zweite Gruppe hat keine AusfälleDer Benutzer muss in diesem Fall sein eigenes Overlay erstellen. Kopieren Sie Frame-Inhalte aus dem Weibayes CDF-Profiler und fügen Sie Frame-Inhalte in den CDF-Plot der ersten Gruppe ein. Möglicherweise bedarf es eines Tricks, um die unerwünschten Artefakte zu entfernen, z. B. Achsengitterlinien, und Time=0 zu setzen, um die Referenzlinien des roten Kreuzes zu entfernen.
Betreff: Weibull fit für zwei Gruppen, zweite Gruppe hat keine AusfälleSpäteres Update des Kunden: Es ist tatsächlich die Weibayes-Schätzung, die in seiner gewünschten Ausgabe von Weibull++ angezeigt wird. Hier ist die Grafik, die er reproduzieren möchte:
Können wir in JMP eine ähnliche Handlung erstellen? Ich sehe keine Möglichkeit, die Weibayes-Ausgabe darzustellen.
Betreff: Weibull fit für zwei Gruppen, zweite Gruppe hat keine AusfälleIch vermute, dass sie über Bayes'sche Folgerung sprechen. Weil Weibayes keine Punktschätzung für eine vollständig zensierte Situation abgibt. Wenn sie „eine Linie“ (vorausgesetzt, sie meinen eine Art Mittellinie) und „Konfidenzlinie“ sehen, muss das eine Bayes'sche Schlussfolgerung sein. Für die Bayes'sche Inferenz in Weibull++ könnte diese Seite nützlich sein: Bayesian-Weibull-Analyse in Weibull++
Am Ende dieser Seite finden Sie ein Datenbeispiel. Und ich füge eine JMP-Datentabelle bei, um zu veranschaulichen, wie die Zahlen abgeglichen werden.
JMP-Tabelle:
Dialog starten:
Überprüfen Sie „Weibull“:
Aktivieren Sie „Bayes’sche Schätzungen“
Wechseln Sie zu den „Standort- und Maßstabsprioritäten“.
Geben Sie Prioritäten wie im folgenden Screenshot an.
Eine kurze Erklärung zu den Auswahlmöglichkeiten:
Auf der Webseite steht:
Da der Standortparameter = log(eta) ist, verwende ich Uniform mit einem sehr großen Bereich.
Auf der Webseite steht:
Das bedeutet, dass Sigma = 1/Beta lognormal ist (-0,9064, 0,3325).
Und hier ist das Ergebnis:
Ihre Zahlen:
Notiz:
Ich halte das für eine Übereinstimmung, da die Schlussfolgerung zufällig ist und ihre Einstellungen nicht klar sind.
Da ihre Daten keine Fehler aufweisen, müssen sie die folgende Einstellung in Life Distribution deaktivieren, um auf Bayes'sche Inferenzfunktionen zugreifen zu können. Die Standardeinstellung für Weibayes ist „Ein“.
Hängen Sie die Datentabelle und das Skript an.
Betreff: Weibull fit für zwei Gruppen, zweite Gruppe hat keine AusfälleHallo Peng, vielen Dank, dass du darüber nachgedacht hast.
Ich denke, dass dies dazu dient, die Wirksamkeit von Reparaturen und/oder Designänderungen zu bewerten. Hier ein direktes Zitat des Kunden:
Das Szenario erstellt ein Überlagerungsdiagramm mit mindestens zwei Verteilungen für Demonstrationsanalysen zur Fixeffektivität. Die erste Verteilung hätte fehlerhafte und richtig zensierte Daten und die zweite Verteilung hätte nur bestandene (richtig zensierte Daten). Mit Weibull++ kann ich eine Linie für die zweite Fehlerverteilung erstellen, indem ich das Weibull-Beta verwende, das aus der ersten Verteilung (nur ein einfaches 1P-Weibull) gemessen wird, und sehen, wie die Verteilungen (insbesondere die Eta-Werte) verglichen werden. Ich brauche auch Konfidenzlinien, um zu sehen, ob sie sich als statistisches Signifikanzmaß überlappen.
Betreff: Weibull fit für zwei Gruppen, zweite Gruppe hat keine AusfälleZweiteres fällt mir ein.
Ich sehe, dass der Datensatz nicht echt, sondern von Martin ausgeliehen ist. Ich habe also eine Frage: Was sind die Gruppen? Zwei Lieferanten, zwei Designs? Oder zwei Temperaturen, zwei Spannungen? Wenn letzteres der Fall ist, könnte die Verwendung einer parametrischen Beziehung in Fit Life by X die Lösung sein. Ich hänge geänderte Daten mit Skript an.
Das angepasste Modell verwendet eine „lineare“ Beziehung, um die beiden Gruppen zu verknüpfen. Und hier ist das Modellergebnis.
1/Sigma ist Weibulls Beta. und Exp(mu) ist Weibulls Alpha. Setzen Sie zwei Werte von G ein, erhalten Sie zwei Werte von Alpha.
Welche Produkte und Materialien werden außerdem getestet? Ist es üblich, dass alle Situationen zensiert werden? Wenn die Gruppierungsvariable tatsächlich kontinuierlich ist und eine Beziehung hergestellt werden soll, liegt möglicherweise ein ALT-DOE-Problem vor.
Betreff: Weibull fit für zwei Gruppen, zweite Gruppe hat keine AusfälleIch bin mir nicht sicher, wie Weibull++ das macht. Folgendes fällt mir zuerst ein:
Starten Sie Life Distribution mit By
Ordnen Sie Weibull der ersten Gruppe zu, und hier ist Beta
Die zweite Gruppe zeigt einen ziemlich eigenartigen Bericht, der für die Analyse von Weibayes bestimmt ist. Wenn Sie eine regelmäßige Lebensverteilung sehen, haben Sie die Präferenz an einem Punkt gemildert. Geben Sie im Bericht den Beta-Wert aus der ersten Gruppe ein und stellen Sie sicher, dass die Kontrollkästchen wie im Screenshot aktiviert sind. Klicken Sie auf „Aktualisieren“. Und Sie erhalten eine Weibayes-Schätzung für Alpha, die eine konservative Grenze von Alpha darstellt. Es gibt keine Punktschätzung.
Wenn es nur wenige oder keine Ausfälle gibt, kann ein vollständiger Bayes-Ansatz nützlichere Ergebnisse liefern als der Weibayes-Ansatz. Aber man muss sich mit der Bayes'schen Inferenz auskennen und über Vorkenntnisse in der Verteilung verfügen.
