威布尔适合两组，第二组没有失败嗨伙计。
在这个旧线程, @马丁德梅尔询问如何同时将威布尔分布拟合到两组——第一组有标准数据，但第二组只有一个失败。 对于第二组，用户希望使用第一组的值来固定 beta 参数，然后估计 alpha。 答案是使用 Fit Y by X ，效果非常好。
我有一个潜在客户想做同样的事情，除了第 2 组的故障为零，只有右删失数据。他声称这在 Weibull++ 中是可能的，并希望在 JMP 中复制它。 前面介绍的方法在这里不起作用。
有任何想法吗？ 附加示例数据集。
谢谢，乔丹
回复：威布尔适合两组，第二组没有失败在这种情况下，用户必须制作他/她自己的覆盖图。 从 Weibayes CDF 分析器复制帧内容并将帧内容粘贴到第一组的 CDF 图。 人们可能需要一些技巧来消除不需要的伪像，例如轴网格线，并设置 Time=0 以消除红色交叉参考线。
回复：威布尔适合两组，第二组没有失败客户的最新更新：确实是 Weibayes 估计显示在他想要的 Weibull++ 输出中。 这是他希望重现的图表：
我们可以在 JMP 中绘制类似的图吗？ 我没有找到绘制 Weibayes 输出的方法。
回复：威布尔适合两组，第二组没有失败我怀疑他们正在谈论贝叶斯推理。 因为 Weibayes 没有给出全审查情况的点估计。 如果他们看到“一条线”（假设它们指的是某种中心线）和“置信线”，那一定是贝叶斯推理。 对于 Weibull++ 中的贝叶斯推理，此页面可能有用： Weibull++ 中的贝叶斯-威布尔分析
该页末尾有一个数据示例。 我附上一张JMP数据表来说明如何匹配数字。
JMP 表：
启动对话框：
检查“威布尔”：
打开“贝叶斯估计”
更改为“位置和规模先验”。
指定先验，如以下屏幕截图所示。
关于这些选择的简短解释：
网页上说：
因为位置参数= log(eta)，所以我使用的uniform范围很广。
网页上说：
这意味着 sigma = 1/beta 是对数正态分布 (-0.9064, 0.3325)。
这是结果：
他们的号码：
注意：
由于推断的随机性，我认为这是一个匹配，并且它们的设置不清楚。
由于他们的数据没有失败，因此他们需要关闭“生命分布”中的以下首选项，才能访问贝叶斯推理功能。 Weibayes 的默认设置为“开”。
附上数据表和脚本。
回复：威布尔适合两组，第二组没有失败嗨，彭，谢谢你考虑一下这个问题。
我认为这是为了评估维修和/或设计变更的有效性。 以下是客户的直接报价：
该场景正在创建一个至少具有两个分布的叠加图，用于修复有效性演示分析。 第一个分布将具有失败和右删失数据，而第二个分布将仅具有通过（右删失数据）。 借助 Weibull++，我可以使用从第一个分布（只是简单的 1P Weibull）测量的 Weibull beta 创建第二个故障分布的线，并查看分布（特别是 eta 值）如何比较。 我还需要置信线来看看它们作为统计显着性指标是否重叠。
回复：威布尔适合两组，第二组没有失败我想到的是第二个。
我看到数据集不是真实的，而是从Martin那里借来的。 所以我有一个问题，什么是组？ 两个供应商，两种设计？ 或者两个温度，两个电压？ 如果是后者，使用 Fit Life by X 中的参数关系可能是答案。 我用脚本附加了修改后的数据。
拟合模型使用“线性”关系来关联这两个组。 这是模型结果。
1/sigma 是威布尔贝塔值。 Exp(mu) 是威布尔阿尔法。 代入两个 G 值，就得到两个 Alpha 值。
此外，他们正在测试哪些产品、材料？ 全部被审查的情况常见吗？ 如果分组变量确实是连续的，并且他们想要建立关系，他们可能会遇到 ALT DOE 问题。
回复：威布尔适合两组，第二组没有失败不知道 Weibull++ 是如何做到的。 我首先想到的是：
使用 By 启动生命分布
将威布尔拟合到第一组，这是 Beta
第二组显示了一个相当奇特的报告，这是用于 Weibayes 分析的。 如果您看到有规律的生命分布，那么您已经在某个时刻调整了偏好。 在报告中，输入第一组中的 Beta 值，确保选中复选框，如屏幕截图所示。 单击“更新”。 你会得到 Alpha 的 Weibayes 估计，这是 Alpha 的保守界限。 没有点估计。
当故障很少或没有时，完整的贝叶斯方法可以比 Weibayes 方法带来更有用的结果。 但需要了解贝叶斯推理并具有先验知识分布。
