Gráfica de comparación de distribuciones de censura de intervalo de distribución de vidaHola,
Tengo una pregunta con respecto a la plataforma Life Distribution, precisamente usando el cuadro de esquema de distribución de comparación con datos censurados por intervalo.
Me gustaría ilustrar mi pregunta con un ejemplo. Creé algunos números ficticios e intenté ajustarlos a una distribución de Weibull. Los comportamientos que describiré a continuación se repiten mientras uso datos reales.
Mi pregunta general es ¿cómo calcula JMP las posiciones del eje Y (probabilidad) para los datos censurados por intervalos?
Me pregunto por qué dos puntos con un valor inicial de 120 y 200 se trazan a la misma altura en el eje Y.
A continuación, ¿por qué a veces una observación sin censura se marca en un gráfico con un solo marcador (p. ej., el punto 4), algunas se marcan con 2 marcadores (p. ej., los puntos 1 y 3, como se muestra con elipses rojas) y otras no se marcan en absoluto (p. ej., .falta el punto 2)?
Finalmente, me gustaría preguntar por qué solo puedo seleccionar en este gráfico el punto 1 (usando el cursor) y otros puntos no se pueden seleccionar de ninguna manera, excepto cuando se usa la tabla de datos directamente. Además, solo puedo mover la etiqueta del punto 1, otras están inactivas.
Gracias por su ayuda,
Saludos,
ceg1
La personalización en masaRe: Gráfica de distribución de comparación de censura de intervalo de distribución de vidaGracias peng_liu por esta información y ejemplos exhaustivos. Es muy ilustrativo.
Re: Gráfica de distribución de comparación de censura de intervalo de distribución de vidaCreo que está utilizando JMP 16 o una versión anterior. Hubo un error asociado con el problema de selección de marcador con el que te topaste.
Y también hay un cambio en JMP 17. Entonces, si ejecuta el análisis en JMP 17, verá un gráfico diferente. La diferencia refleja un cambio en las posiciones del eje y de esos puntos. Pero permítanme marcar de nuevo hasta el principio para explicar lo que está pasando.
1. Cuando los datos están censurados por intervalos, la "Estimación no paramétrica" de la distribución utiliza el llamado "Estimador Turnbull". Puede encontrar el resultado numérico de la estimación en el nodo de esquema "Estimación no paramétrica". Aquí está la captura de pantalla de JMP 16. Y la estimación de Turnbull está en la tercera columna.
2. Los marcadores sobre los que tiene preguntas están asociados con la estimación. Esta es la parte difícil. Tradicionalmente, los marcadores se asocian con datos. Pero aquí los marcadores en este gráfico están asociados con la estimación no paramétrica, que es un modelo. Esto explica por qué algunos puntos de datos no parecen aparecer en el gráfico.
3. Ahora déjame explicarte cómo se traza la estimación de Turnbull.
3.1 Primero, lo que muestra aquí es una de las dos representaciones de las gráficas de estimación no paramétrica. Para Turnbull, podría ser más fácil para mí hablar sobre la otra representación, que representa de manera más rigurosa la estimación de Turnbull. Para ver el otro, debe desactivar la opción "Mostrar puntos" en el menú en JMP 16; ver la siguiente captura de pantalla:
Después de apagarlo, debería ver el siguiente gráfico. Hay un punto rojo y tres líneas horizontales rojas. Este estilo se conoce como la representación de "función escalonada" de una estimación no paramétrica.
Corresponden a la estimación de Turnbull. Permítanme explicarlos uno a la vez. Necesitamos mirar la Estimación no paramétrica y la gráfica una al lado de la otra. Así que no tenemos que desplazarnos hacia arriba y hacia abajo. Ahora, observe la primera fila de la tabla, dice que desde el origen del tiempo (aquí significa 0) hasta 60, la probabilidad estimada es 0. Debido a que estamos dibujando el eje Y usando la escala de probabilidad de Weibull, esta línea no aparece. Pero si cambia el eje Y a lineal, debería ver esa línea adicional de 0 a 60, en y=0. Ahora, mira la segunda fila de la tabla, dice, desde el momento 100 hasta el momento 100, la estimación de probabilidad es 0,19047620. Significa que una línea colapsa hasta convertirse en un punto. A eso corresponde el punto rojo. La tercera fila a la quinta fila en la tabla definen tres líneas individuales en estimaciones de probabilidad respectivas. Observe que las líneas tercera y cuarta tienen las mismas estimaciones de probabilidad. Eso determina que las dos líneas están al mismo nivel.
3.2 Ahora retroceda para ver los marcadores. Los puse uno al lado del otro, y ahora es más obvio de dónde provienen las posiciones del eje y de los marcadores.
Además, para adaptarse a la tradición de que los marcadores se pueden cepillar en JMP, el software intenta tener el mayor sentido posible para asociar la estimación (el modelo) con los datos. Pero debería explicar lo que está pasando usando JMP 17. Debido al error en JMP 16 y al cambio en JMP 17, la explicación de este gráfico de estilo de marcador en JMP 16 traerá más confusión. Estoy cambiando de marcha a JMP 17 en lo siguiente. Restablecer el número de artículo también para que quede claro.
1. En JMP 17, el informe de estimación no paramétrica para estos datos es el siguiente. Observe que el nombre de la tercera columna es "Estimación de punto medio", y hay una última columna adicional "Estimación de Turnbull". Entonces esta tabla mueve lo que estaba en la segunda columna a la última. Y ponga "Estimación de punto medio" en la tercera columna.
2. JMP 17 tiene un nuevo submenú para opciones de gráficos no paramétricos.
3. Las siguientes 3 capturas de pantalla están asociadas con las primeras 3 opciones. No me molesto en pegar el asociado a "Ninguno".
4. Entonces, como puedes adivinar. El gráfico de la "Función escalonada" no cambió. La trama de "Puntos", la versión del marcador, cambió. Más específicamente, las posiciones del eje y de los marcadores cambiaron. Y las nuevas posiciones corresponden a la segunda columna, "Estimación de punto medio", en la tabla anterior. Ahora voy a explicar qué son las "Estimaciones de punto medio". Mire la segunda fila, la estimación de punto medio y la estimación de Turnbull. El punto medio 0.09523810 es el promedio de 0 y 0.19047620, los valores de la primera y segunda fila bajo Turnbull. Mira la tercera fila. En esta fila, la estimación del punto medio 0.38095239 es el promedio de 0.19047620 y 0.57142857, los valores de la segunda y tercera fila bajo Turnbull. Etc., etc.
Además de las posiciones del eje y, también necesito señalar las posiciones del eje x de esos marcadores. Las posiciones del eje x de los marcadores son el comienzo de los pasos en la representación de la función de paso. Entonces son 100, 120, 190 y 220, o los valores en la primera columna Inicio.
5. La estimación del punto medio ya se usó para fines de trazado cuando los datos solo están censurados por la derecha. Sin embargo, no se tomó la misma decisión para los datos censurados por intervalos en versiones anteriores.
6. La estimación del punto medio también se conoce como "ajuste del punto medio". Y tal ajuste no es único. Hay otros tipos de ajustes en la literatura. El ajuste del punto medio es crucial para trazar datos censurados por la derecha, porque de lo contrario, el gráfico generará la idea errónea de que una estimación paramétrica está sesgada si se superpone la versión del marcador de la estimación no paramétrica. El ajuste no es crucial para los datos censurados por intervalos. Se tomó una decisión en el ciclo de desarrollo de JMP17 para que las dos situaciones fueran consistentes.
7. Ahora, tal vez lo más alucinante sea la asociación entre los cuatro marcadores y los puntos de datos. Es para adaptarse a la tradición de que los marcadores están asociados con datos y se pueden cepillar. Entonces el comportamiento depende de la implementación. El comportamiento tiene que ver con las posiciones del eje x de esos marcadores. En JMP 17, si pasa el pincel por el primer marcador en la parte inferior izquierda, cuya posición en el eje x es 100, debería ver resaltadas tres filas en las tablas de datos. Ahora mire esas tres filas, todas tienen 100 metido dentro de los intervalos de censura correspondientes. Esa es la regla de asociación. Mientras tanto, debería ver que los marcadores segundo y tercero también se resaltan. Sus posiciones en el eje x son 120 y 190. Dado que los aspectos más destacados van en ambos sentidos, desde la tabla de datos hasta la gráfica. Las filas resaltadas también se repiten en 120 y 190.
Al final, como resumen. Los marcadores en el gráfico están asociados con una estimación no paramétrica. Los marcadores se asocian con puntos de datos haciendo coincidir las posiciones del eje x de los marcadores con las observaciones. El cambio de JMP16 a JMP17 no debería afectar ninguna decisión existente. Pero la plataforma en sí es un poco más consistente en el futuro, además de brindar más opciones para adaptarse a diferentes preferencias.
Re: Gráfica de distribución de comparación de censura de intervalo de distribución de vidaLos grupos se estiman por separado.
¿Cuáles son los grupos? ¿Cuál es la membresía por filas en cada grupo?
Re: Gráfico de comparación de distribuciones de censura de intervalos de distribución de vidaHola Peng,
Gracias por su explicación detallada.
Ahora entiendo por qué la probabilidad es diferente del fallo real de la prueba.
Publiqué esta confusión como pregunta en el siguiente enlace:
https://community.jmp.com/t5/Discussions/Life-distribution-The-failure-rate-probability-plot-does-not/mp/861688#M102733
Me pregunto si quiero que el eje Y de los marcadores del gráfico de probabilidad utilice la estimación de Kaplan-Meier o la estimación de Turnbull, ¿hay alguna manera de lograrlo?
En mi caso, la estimación de Kaplan-Meier o la estimación de Turnbull será mi tasa de falla real de la prueba.
Mi objetivo principal es trazar la distribución de Weibull con el eje Y de los marcadores en consonancia con la tasa de falla medida real.
Eso será mucho más intuitivo y aceptable para mi audiencia.
¡Gracias!
Re: Gráfico de comparación de distribuciones de censura de intervalos de distribución de vidaHola,
Si su aplicación es, de hecho, análisis de confiabilidad, le sugiero que no busque una forma diferente de representar estimaciones no paramétricas, distinta a la convencional del sector. El ajuste es necesario para el público objetivo del análisis de confiabilidad.
Para ver por qué es necesario, su ejemplo ofrece una ilustración perfecta.
El siguiente gráfico activa dos opciones de representación gráfica: Puntos y Función de Paso. (Por cierto, las capturas de pantalla se realizaron con JMP18.2 y versiones posteriores).
Las cruces rojas en la siguiente captura de pantalla son las que marqué, son lo que estás pidiendo.
Ahora, observe que todas las cruces rojas están en un lado del ajuste paramétrico.
Si presenta las cruces rojas y el ajuste paramétrico a su audiencia, tendrá dificultades para explicar por qué el ajuste parece tan sesgado, cuando no lo es.
El propósito de los marcadores aquí es proporcionar una verificación visual de si un modelo paramétrico se ajusta bien al ajuste no paramétrico.
Mientras tanto, revisen la "Función de Paso". Funcionan perfectamente, sin ajustes. Así que, si insisten en presentar el KME original, les recomiendo activar la "Función de Paso" y desactivar los "Puntos".
Re: Gráfico de comparación de distribuciones de censura de intervalos de distribución de vidaGracias @peng_liu por la explicación detallada : )
Una gran colección de argumentos significativos.
Re: Gráfico de comparación de distribuciones de censura de intervalos de distribución de vidaHola Peng,
Gracias por tu respuesta.
Supongo que ahora tengo una pregunta tonta.
En mi empresa, el gráfico y el ajuste de Weibull siempre se realizan utilizando la tasa de fallas real probada en cada momento en que ocurre la falla.
Esto significa que utiliza la estimación de Kaplan-Meier en lugar de la estimación de punto medio.
El ajuste se ve bien ya que el marcador y la línea de ajuste Weibul utilizan la misma estimación de Kaplan Meier.
En el caso de JMP, el marcador y el ajuste del gráfico de Weibull se realizan mediante la estimación del punto medio.
Es por ello que la estimación de Kaplan-Meier estará fuera de la línea de ajuste.
Mi pregunta es: ¿Es incorrecto utilizar la estimación de Kaplan-Meier desde el punto de vista de confiabilidad y estadística?
¿Es más correcto realizar el ajuste de Weibul utilizando la estimación del punto medio?
Estoy bastante confundido con esto, ya que JMP solo proporciona la estimación del punto medio, lo que parece sugerir que esta es la forma correcta y la norma de la industria.
También encontré esta publicación, que podría ser una buena publicación de referencia. https://community.jmp.com/t5/JMP-Wish-List/Life-Distribution-plot-points-should-default-to-Kaplan-Meier-or/idc-p/864017#M7203
Disculpen mi ignorancia. No tengo mucha experiencia en matemáticas aplicadas.
Gracias.
Re: Gráfico de comparación de distribuciones de censura de intervalos de distribución de vidaHola,
No es una pregunta tonta. Pero no te he convencido de usar el informe que elabora Life Distribution.
La convención de la industria no acepta trazar puntos al comienzo de los pasos de KME.
Si nunca ha observado el problema con los puntos al dibujarlos al inicio de KME con otro software, es posible que nunca haya visto una situación con menos datos o que el software que utilizó sea incorrecto. O tal vez no se refiera a KME.
Empiezo a sospechar que no te refieres a KME, sino a Turnbull. Y tus datos tienen censura mixta. En ese caso, hay un error en JMP17, que es a lo que se refiere el elemento de la lista de deseos. Si es así, por favor, actualiza a JMP18.2. Creo que se corrigió en JMP18.1. Pero JMP18.2 es la versión 18 más reciente.
Re: Gráfico de comparación de distribuciones de censura de intervalos de distribución de vidaHola Peng,
Creo que aclararé mi pregunta.
Contamos con monitoreo in situ, por lo que se registra la hora exacta de la falla. Por lo tanto, no hay censura en mis datos. (Si tomamos el archivo JMP como ejemplo, la hora de inicio y la hora de fin coinciden, lo que significa que no hay censura).
Entonces, cuando los datos se introducen en JMP, el comienzo del KME es la tasa de falla exacta en cada momento de falla exacto.
En mi empresa, la norma es realizar un ajuste de Weibull y graficar utilizando la tasa de falla exacta en el momento de falla exacto, independientemente del tamaño de la muestra de los datos.
Es por eso que me pregunto si la norma en mi empresa es matemáticamente incorrecta y deberíamos usar la estimación del punto medio para hacer el ajuste y el gráfico de Weibull como lo exige JMP.
La gente de mi empresa no conoce a Turnbull ni a KME. No creo que tengamos ese conocimiento...
Por cierto, el personal de mi empresa escribió su propio código de Matlab para crear el gráfico de Weibull, lo cual es totalmente compatible. No puedo usar el software para determinar si este método es correcto.
Y probé el mismo archivo usando JMP 18.2 pero no vi ninguna diferencia.
Gracias.
Re: Gráfico de comparación de distribuciones de censura de intervalos de distribución de vidaHola,
Es bueno saber que no estamos hablando de un software defectuoso.
Entonces puedo pensar en tres opciones:
1) Use la "Función de Paso". Representa el KME sin modificar y conserva el significado completo de la estimación no paramétrica; es decir, puede señalar cualquier punto de un paso y decir que se trata de una estimación de probabilidad en ese momento. Y aún más importante, preste atención a las bandas de confianza alrededor del KME. Estas aportan información valiosa que debe transmitir. El caso de uso adecuado para esta opción es cuando solo desea hablar de la estimación no paramétrica.
2) Use "Punto" pero desactive "No paramétrico"; vea la captura de pantalla a continuación. El caso de uso adecuado para esta opción es cuando desea enfatizar el ajuste paramétrico. Los puntos KME ajustados le ayudan a evaluar la calidad del ajuste paramétrico mientras utiliza la convención de "punto" para transmitir la información.
3) Use la tabla en "Estimación no paramétrica". Puede representar gráficamente el KME original con su estilo preferido en el Constructor de Gráficos. Sin embargo, prepárese para explicar por qué se ve "desfasado" al superponerse a un ajuste paramétrico, como ya expliqué. No recomiendo este enfoque; no es la forma correcta de analizar datos de fiabilidad, pero es una opción.
Para ello, haga clic derecho en la tabla y seleccione "Convertir en tabla de datos":
La tabla generada se ve así:
Luego, use Construir gráfico para generar un diagrama de dispersión, con Inicio en el eje x y KME en el eje y. A continuación, haga clic derecho en el gráfico y copie el contenido:
Luego péguelo en cualquier lugar que necesite, por ejemplo, nuevamente en Distribución de vida:
Y desactive todas las demás opciones de gráficos no paramétricos y obtendrá esto:
Re: Gráfico de comparación de distribuciones de censura de intervalos de distribución de vidaUn caso de uso para el enfoque n.º 3:
Un colega pregunta sobre la probabilidad de que los dispositivos sobrevivan 200 h. A partir de los puntos de la gráfica de KME, el usuario concluirá:
Ninguno de los dispositivos de prueba sobrevivió. La probabilidad de obtener una tasa de supervivencia significativa con la distribución real (completa) es baja.
A partir de los puntos medios y la curva de ajuste, podría obtener una impresión diferente...
Lo mismo ocurre con: "¿cuántos dispositivos fallarán en t=50 y menos"?
de KME: 1/4 de la población
del ajuste: < 10%
Esta compleja disyuntiva entre ajustar una distribución y calcular las tasas de supervivencia podría ser la razón por la que @Doraemon214 habla de "tasas de fallo exactas ":
@Doraemon214 escribió:
la tasa de fallos exacta en cada momento de fallo exacto.
Por otra parte, en la realidad sería sorprendente que 25 de las unidades mueran exactamente "a los 50" (es decir, entre 50 y 50).
Imagínense lecturas intermedias a los 10, 20, 30, 40...
En realidad, habrá los primeros fallos ya en t=10, 20, 30, 400, y no un aumento repentino de +25 fallos en t=50.
Sobre:
@Ceg1 escribió:
¿Y algunos no están marcados en absoluto (por ejemplo, falta el punto 2)?
... Todavía me pregunto por qué hay algunas filas sin ningún punto de trazado asociado.
Noté que los puntos de la trama desaparecen si un intervalo se superpone con un intervalo de otra fila.
Re: Gráfico de comparación de distribuciones de censura de intervalos de distribución de vidaGracias por mencionar nuevos casos de uso o diferentes perspectivas sobre los mismos, hogi. Antes de responder al tuyo, me gustaría escuchar la respuesta de Doraemon214 para que el hilo se mantenga en el mismo contexto.
