J'essaie de prédire les retours de garantie, mais je souhaite utiliser les outils d'estimation bayésienne pour mettre à jour les prévisions de garantie. Quoi que je fasse, je n'arrive pas à mettre à jour les prévisions de garantie après avoir appliqué un modèle bayésien. Est-il possible d'utiliser les outils bayésiens avec la prévision de fiabilité ? Si ce n'est pas le cas, comment recommanderiez-vous d'ajuster ces prédictions de retour pour les paramètres postérieurs mis à jour ?
Merci d'avoir porté cela à mon attention !
Le modèle bayésien n'aurait pas dû être disponible dans la prévision de fiabilité. Il n'est pas câblé dans la liste "Choose Distribution". Je vais mettre cela pour examen futur. Donc, ce n'est pas possible maintenant pour votre première question.
Je n'ai pas de recommandation, mais peut-être quelques réflexions sur quelques scénarios.
Premièrement, si vous disposez d'une quantité suffisante de données, c'est-à-dire de nombres de retours, l'estimation non bayésienne devrait avoir donné de bonnes prédictions. Si vous disposez de suffisamment de données, ainsi que d'un fort a priori, je soupçonne qu'il y aura de fortes chances que les informations soient en conflit. Ensuite, une question sera de savoir à qui faire confiance, aux données ou à l'antériorité ? Je préférerais donc ne pas utiliser le modèle bayésien s'il y a suffisamment de nombres de retours.
Deuxièmement, si vous ne disposez pas d'un nombre de retours suffisant et que vous êtes intéressé par le nombre de retours futurs à partir de ce qui est encore en cours d'exécution. Le dernier recours est maintenant le bricolage en utilisant la simulation. C'est aussi ce qui se fait dans le logiciel. Vous devez consulter l'une des deux ressources, selon celle qui est à votre disposition :
1. Méthodes statistiques pour les données de fiabilité, par Meeker et Escobar, 1998. Chapitre 12.
2. Méthodes statistiques pour les données de fiabilité, 2e éd., par Meeker et Escobar et Pascual, 2022. Chapitre 15.
