威布爾適合兩組，第二組沒有失敗嗨伙計。
在這個舊線程, @馬丁德梅爾詢問如何同時將威布爾分佈擬合到兩組——第一組有標準數據，但第二組只有一個失敗。 對於第二組，用戶希望使用第一組的值來固定 beta 參數，然後估計 alpha。 答案是使用 Fit Y by X ，效果非常好。
我有一個潛在客戶想做同樣的事情，除了第 2 組的故障為零，只有右刪失數據。他聲稱這在 Weibull++ 中是可能的，並希望在 JMP 中復制它。 前面介紹的方法在這裡不起作用。
有任何想法嗎？ 附加示例數據集。
謝謝，喬丹
回复：威布爾適合兩組，第二組沒有失敗在這種情況下，用戶必須製作他/她自己的覆蓋圖。 從 Weibayes CDF 分析器複製幀內容並將幀內容粘貼到第一組的 CDF 圖。 人們可能需要一些技巧來消除不需要的偽像，例如軸網格線，並設置 Time=0 以消除紅色交叉參考線。
回复：威布爾適合兩組，第二組沒有失敗客戶的最新更新：確實是 Weibayes 估計顯示在他想要的 Weibull++ 輸出中。 這是他希望重現的圖表：
我們可以在 JMP 中繪製類似的圖嗎？ 我沒有找到繪製 Weibayes 輸出的方法。
回复：威布爾適合兩組，第二組沒有失敗我懷疑他們正在談論貝葉斯推理。 因為 Weibayes 沒有給出全審查情況的點估計。 如果他們看到“一條線”（假設它們指的是某種中心線）和“置信線”，那一定是貝葉斯推理。 對於 Weibull++ 中的貝葉斯推理，此頁面可能有用： Weibull++ 中的貝葉斯-威布爾分析
該頁末尾有一個數據示例。 我附上一張JMP數據表來說明如何匹配數字。
JMP 表：
啟動對話框：
檢查“威布爾”：
打開“貝葉斯估計”
更改為“位置和規模先驗”。
指定先驗，如以下屏幕截圖所示。
關於這些選擇的簡短解釋：
網頁上說：
因為位置參數= log(eta)，所以我使用的uniform範圍很廣。
網頁上說：
這意味著 sigma = 1/beta 是對數正態分佈 (-0.9064, 0.3325)。
這是結果：
他們的號碼：
注意：
由於推斷的隨機性，我認為這是一個匹配，並且它們的設置不清楚。
由於他們的數據沒有失敗，因此他們需要關閉“生命分佈”中的以下首選項，才能訪問貝葉斯推理功能。 Weibayes 的默認設置為“開”。
附上數據表和腳本。
回复：威布爾適合兩組，第二組沒有失敗嗨，彭，謝謝你考慮一下這個問題。
我認為這是為了評估維修和/或設計變更的有效性。 以下是客戶的直接報價：
該場景正在創建一個至少具有兩個分佈的疊加圖，用於修復有效性演示分析。 第一個分佈將具有失敗和右刪失數據，而第二個分佈將僅具有通過（右刪失數據）。 借助 Weibull++，我可以使用從第一個分佈（只是簡單的 1P Weibull）測量的 Weibull beta 創建第二個故障分佈的線，並查看分佈（特別是 eta 值）如何比較。 我還需要置信線來看看它們作為統計顯著性指標是否重疊。
回复：威布爾適合兩組，第二組沒有失敗我想到的是第二個。
我看到數據集不是真實的，而是從Martin那裡借來的。 所以我有一個問題，什麼是組？ 兩個供應商，兩種設計？ 或者兩個溫度，兩個電壓？ 如果是後者，使用 Fit Life by X 中的參數關係可能是答案。 我用腳本附加了修改後的數據。
擬合模型使用“線性”關係來關聯這兩個組。 這是模型結果。
1/sigma 是威布爾貝塔值。 Exp(mu) 是威布爾阿爾法。 代入兩個 G 值，就得到兩個 Alpha 值。
此外，他們正在測試哪些產品、材料？ 全部被審查的情況常見嗎？ 如果分組變量確實是連續的，並且他們想要建立關係，他們可能會遇到 ALT DOE 問題。
回复：威布爾適合兩組，第二組沒有失敗不確定 Weibull++ 是如何做到的。 我首先想到的是：
使用 By 啟動生命分佈
將威布爾擬合到第一組，這是 Beta
第二組顯示了一個相當奇特的報告，這是用於 Weibayes 分析的。 如果您看到有規律的生命分佈，那麼您已經在某個時刻調整了偏好。 在報告中，輸入第一組中的 Beta 值，確保選中復選框，如屏幕截圖所示。 單擊“更新”。 你會得到 Alpha 的 Weibayes 估計，這是 Alpha 的保守界限。 沒有點估計。
當故障很少或沒有時，完整的貝葉斯方法可以比 Weibayes 方法帶來更有用的結果。 但需要了解貝葉斯推理並具有先驗知識分佈。
