Salut,
Je dispose d'un ensemble de données qui enregistre la fréquence des déversements de camions. J'ai enregistré, sur une période de deux ans, les informations suivantes : chargement, date, heure, nombre de bouteilles, chauffeur, météo, crépuscule/aube, etc. Je souhaite identifier les facteurs de risque liés aux déversements les plus probables. Cependant, ces déversements sont si rares que la plupart de mes données sont nulles. Par exemple, j'ai 29 000 lignes de données, et environ 28 000 de ces chargements ne présentent aucun déversement. J'ai calculé les déversements moyens par chargement et par million de bouteilles. Cependant, il est difficile de savoir s'il faut effectuer une ANOVA compte tenu du nombre important de valeurs nulles. Pourriez-vous me conseiller sur le meilleur type de modélisation/test à utiliser ? Je souhaite simplement déterminer si un facteur de risque spécifique est associé au nombre de déversements, le cas échéant.
Merci,
Abbie
Bienvenue dans la communauté. La question de l'établissement de relations causales avec des événements rares est complexe. La fréquence des déversements, variable de réponse, n'est pas très efficace. Elle n'est pas non plus très discriminante pour comprendre les liens de causalité. Il s'agit d'un agrégat de nombreux modes/mécanismes de défaillance possibles.
Ces phénomènes sont difficiles à étudier avec un plan expérimental (même s'il est probable que le camion se renverse, ce n'est peut-être pas la raison pour laquelle il se renverse actuellement). Mon parti pris serait d'utiliser l'échantillonnage dirigé (composante des études de variation et de stabilité pour étudier le processus tel quel). La question se pose : s'agit-il réellement d'événements de cause spéciale tels que définis par Deming ? Si oui, il conseille de réagir spécifiquement et localement aux événements, plutôt que de consacrer du temps et des efforts à les prédire (action de cause commune). S'agit-il réellement d'effets d'ordre supérieur (par exemple, des effets d'interaction d'ordre supérieur au 4e ordre) ? C'est-à-dire qu'il s'agit d'une combinaison de facteurs qui se combinent pour créer l'événement.
Quel est votre niveau de confiance dans les données existantes ? Y a-t-il des déversements non enregistrés (peut-être mineurs ou corrigés) ? Je ne connais pas la charge, mais votre description suggère une sorte de bouteille. Si les bouteilles tombent sans se casser, s'agit-il d'un déversement ? La taille du déversement est-elle importante ?
Voici ce que vous pouvez faire :
1. Commencez par formuler des hypothèses sur les causes et les raisons de ces événements. Par exemple : les déversements se produisent parce que le camion devient instable en raison d'un chargement inégal. Vous pourriez peut-être réaliser des diagrammes de dispersion ou des corrélations à partir des données existantes, mais cela ne servirait qu'à stimuler votre esprit et à formuler des hypothèses qui devront être étudiées avec des données futures.
2. Établissez une liste exhaustive des facteurs . La cartographie des processus et l'AMDEC y contribuent souvent. Assurez-vous d'observer le processus de chargement, de déplacement et de déchargement du camion. Il est probable que vos données actuelles ne contiennent pas d'informations sur tous ces facteurs.
3. Existe-t-il d'autres variables de réponse mesurables, corrélées aux phénomènes, permettant de mieux comprendre les défaillances (par exemple, le nombre de situations susceptibles d'augmenter le risque de déversement, la localisation du déversement, la direction du déversement depuis le camion) ? Ou, par exemple, vous pourriez émettre une hypothèse sur l'effet de l'équilibre du poids de la charge dans un camion. Vous pourriez mesurer la répartition du poids à l'intérieur et entre les chargements du camion. Ou vous soupçonnez que cela est dû à l'état de la route ? Vous pourriez installer des accéléromètres, ou encore la vitesse, des compteurs de vitesse, etc.
4. Rendre le camion robuste face aux conditions qui, selon vous, augmentent le risque de déversement (par exemple, une suspension qui absorbe les variations de l'état de la route). Cela peut se faire par expérimentation, à condition d'inclure le bruit du processus dans l'étude. Là encore, vous devez évaluer les ressources nécessaires et déterminer si une action de cause commune est effectivement rentable. Avez-vous besoin d'une résistance face à un événement rare ?
Juste pour ajouter une perspective un peu différente à ce que @statman recommande... que j'approuve également... vous voudrez peut-être essayer la régression de Poisson gonflée à zéro comme personnalité appropriée dans la plate-forme JMP Fit Model.
