Ich versuche, Garantieretouren vorherzusagen, möchte aber die Bayes'schen Schätztools verwenden, um die Garantievorhersagen zu aktualisieren. Egal, was ich tue, es scheint mir nicht zu gelingen, die Garantievorhersagen zu aktualisieren, nachdem ich ein Bayes'sches Modell angewendet habe. Ist es möglich, die Bayes'schen Tools mit der Zuverlässigkeitsprognose zu verwenden? Wenn nicht, wie würden Sie die Anpassung dieser Ertragsvorhersagen an die aktualisierten hinteren Parameter empfehlen?
Vielen Dank, dass Sie mich darauf aufmerksam gemacht haben!
Das Bayes'sche Modell hätte in der Zuverlässigkeitsprognose nicht verfügbar sein dürfen. Es ist nicht in die Liste „Verteilung auswählen“ eingebunden. Ich werde dies für zukünftige Überlegungen zur Verfügung stellen. Daher ist dies für Ihre erste Frage jetzt nicht möglich.
Ich habe keine Empfehlung, aber vielleicht ein paar Gedanken zu ein paar Szenarien.
Erstens: Wenn Sie über eine ausreichende Datenmenge verfügen, d. h. über die Anzahl der zurückgegebenen Daten, hätte eine nicht-Bayes'sche Schätzung gute Vorhersagen liefern müssen. Wenn Sie über ausreichende Daten und einen starken Prior verfügen, besteht meiner Meinung nach eine gute Chance, dass die Informationen widersprüchlich sind. Dann stellt sich die Frage, wem man vertrauen soll: Daten oder Prior? Daher würde ich es vorziehen, das Bayes'sche Modell nicht zu verwenden, wenn genügend Rückgabezahlen vorhanden sind.
Zweitens, wenn Sie nicht über genügend Rücklaufzahlen verfügen und an zukünftigen Rücklaufzahlen aus dem, was noch läuft, interessiert sind. Der letzte Ausweg ist jetzt die Selbsthilfe mittels Simulation. Das wird auch in der Software gemacht. Sie müssen sich eine der beiden Ressourcen ansehen, je nachdem, welche Ihnen zur Verfügung steht:
1. Statistische Methoden für Zuverlässigkeitsdaten, von Meeker und Escobar, 1998. Kapitel 12.
2. Statistical Methods for Reliability Data, 2. Auflage, von Meeker und Escobar und Pascual, 2022. Kapitel 15.
