Hallo,
Ich verfüge über einen Datensatz, der die Häufigkeit von Leckagen aus LKW-Ladungen erfasst hat. Ich habe über einen Zeitraum von zwei Jahren folgende Daten aufgezeichnet: Ladung, Datum, Uhrzeit, Anzahl der Flaschen in der Ladung, Fahrer, Wetter, Dämmerung/Morgengrauen usw. Ich möchte Risikofaktoren dafür identifizieren, wann Leckagen am wahrscheinlichsten sind. Diese Leckagen passieren jedoch so selten, dass die meisten meiner Daten Nullwerte ergeben. Ich habe beispielsweise 29.000 Datensätze und bei ca. 28.000 dieser Ladungen sind keine Leckagen zu verzeichnen. Ich habe die durchschnittlichen Leckagen pro Ladung und pro Million Flaschen berechnet. Bei so vielen Nullwerten ist es jedoch schwierig zu entscheiden, ob eine ANOVA durchgeführt werden soll. Kann mir bitte jemand einen Rat geben, welche Art von Modellierung/Test sich am besten eignet? Ich möchte lediglich feststellen, ob ein bestimmter Risikofaktor mit der Anzahl der Leckagen zusammenhängt, falls und wann sie auftreten.
Danke,
Abbie
Herzlich willkommen in der Community. Die Frage, wie man kausale Zusammenhänge bei seltenen Ereignissen herstellt, ist äußerst anspruchsvoll. Die Antwortvariable „Häufigkeit von Leckagen“ ist keine besonders effiziente Antwortvariable. Sie ist zudem nicht sehr diskriminant, was das Verständnis von Kausalität angeht. Sie ist eine Ansammlung vieler möglicher Fehlermodi/-mechanismen.
Diese sind mit einem experimentellen Design schwierig zu untersuchen (obwohl man den LKW wahrscheinlich zum Verschütten bringen kann, ist das vielleicht nicht der Grund dafür). Ich würde eher eine gezielte Stichprobennahme bevorzugen (Komponente von Variations- und Stabilitätsstudien, um den Prozess so zu untersuchen, wie er ist). Es stellt sich die Frage, ob es sich dabei tatsächlich um Ereignisse mit besonderen Ursachen handelt, wie von Deming definiert. Falls ja, rät er dazu, gezielt und lokal auf die Ereignisse zu reagieren, statt Zeit und Mühe darauf zu verwenden, die Ereignisse vorherzusagen (Aktion als gemeinsame Ursache). Handelt es sich tatsächlich um Effekte höherer Ordnung (z. B. Interaktionseffekte > 4. Ordnung)? Wobei eine Kombination von Faktoren das Ereignis hervorruft.
Wie sicher sind Sie sich in Bezug auf den vorhandenen Datensatz? Gibt es Leckagen, die nicht erfasst wurden (vielleicht waren sie klein oder wurden korrigiert)? Ich kenne die Menge nicht, aber Ihre Beschreibung deutet auf eine Art Flasche hin. Wenn die Flaschen herausfallen und nicht zerbrechen, handelt es sich dann um eine Leckage? Spielt die Größe der Leckage eine Rolle?
Sie können Folgendes tun:
1. Stellen Sie zunächst Hypothesen auf, was diese Ereignisse verursachen und warum. Beispiel: Leckagen entstehen, weil der LKW aufgrund ungleichmäßiger Beladung instabil wird. Sie können möglicherweise Streudiagramme/Korrelationen anhand des vorhandenen Datensatzes erstellen. Dies dient jedoch nur dazu, Hypothesen zu entwickeln, die anhand zukünftiger Daten überprüft werden müssen.
2. Erstellen Sie eine umfassende Liste der Faktoren . Prozessmapping und FMEA helfen dabei oft. Beobachten Sie den Prozess des Be- und Entladens des LKWs. Wahrscheinlich enthält Ihr aktueller Datensatz nicht alle Informationen zu diesen X-Punkten.
3. Gibt es andere messbare Reaktionsvariablen , die mit den Phänomenen korrelieren und bessere Einblicke in Fehler liefern könnten (z. B. Anzahl der Situationen, die das Risiko eines Lecks erhöhen, Ort des Lecks, Richtung des Lecks vom LKW)? Oder stellen Sie beispielsweise Hypothesen über die Auswirkungen der Gewichtsverteilung der Ladung im LKW auf. Messen Sie die Gewichtsverteilung innerhalb und zwischen den LKW-Ladungen. Oder vermuten Sie die Straßenverhältnisse und installieren Beschleunigungsmesser am LKW. Oder Geschwindigkeit, Tachometer usw.
4. Machen Sie den LKW robust gegenüber Bedingungen, die Ihrer Hypothese nach die Wahrscheinlichkeit eines Lecks erhöhen (z. B. durch eine Federung, die wechselnde Straßenbedingungen absorbiert). Dies kann experimentell erreicht werden, solange die dabei auftretenden Geräusche in die Studie einbezogen werden. Auch hier müssen Sie die erforderlichen Ressourcen abwägen und prüfen, ob eine gemeinsame Ursache tatsächlich kosteneffizient ist. Ist eine Robustheit gegenüber seltenen Ereignissen erforderlich?
Um dem, was @statman empfiehlt (was ich ebenfalls unterstütze), eine etwas andere Perspektive hinzuzufügen: Vielleicht möchten Sie die Null-aufgeblähte Poisson-Regression als passende Persönlichkeit in der JMP Fit Model-Plattform ausprobieren.
