大家好
我是社区的新成员。我被分配了一项任务，对我们的数据进行递归分析。我从未使用过 JMP，也从未做过任何递归分析。所以我肯定会提出一些愚蠢的问题。
我们拥有的数据是机器人维修数据。我们想了解机器人的维修事件模式，我被告知要使用递归分析（不知道为什么）。
我们有大约 15000 个机器人，我使用了“bot_id”、“accumulated_transactions”、“site”、“cost”、“bot_type”和“component”列。“Site”表示机器人工作的不同位置。“cost”是 0 或 1 值（1 表示维修，0 表示机器人的最后一次事件）。“component”表示正在维修的不同部件。我们想观察站点、bot_type 和部件对 mcf 和维修模式的影响。我主要使用对数线性 NHPP 模型。
如果我想研究网站对 MCF 的影响，我应该把网站设置为“分组”角色还是“原因”角色？如果我想知道哪个网站的机器人程序比其他网站恶化得更快？哪个网站的修复率比其他网站更高？
我的理解是，分组是为了区分彼此独立的类别因素，就像一个机器人不能同时出现在两个位置一样。所以我应该使用分组。但是 ChatGPT 建议使用 Cause。我不知道哪个是正确的。
我还想问一下，如何选择尺度和形状效应的列。例如，如果我按照 GPT 的建议选择“站点”作为“原因”，那么尺度和形状效应应该选择什么呢？我觉得站点也会影响这两个因素。JMP 也允许我选择站点。我的问题是，我能否同时选择站点作为“原因”、“尺度”和“形状”。这会生成一个我无法解释的结果（数百条 MCF 线和每个站点的参数估计表会影响所有站点（包括它自己）。所以我想我无法做到这一点。
然后我把成分（部分）设为“原因”，地点设为尺度和形状因子。JMP 为每个成分生成一个模型。在对数线性 NHPP 中拟合后，为每个原因生成一个参数估计表。问题是 MCF 曲线是 12 个成分 x 20 个地点，生成了数百条线。我感觉我又做错了。
感觉如果我使用“原因”角色，那么我不应该将任何东西作为“规模”或“形状”效应器，否则会使 MCF 曲线过于拥挤。
最后我决定将站点作为“分组”来比较不同的站点，将站点作为“规模”和“形状”效应器。
在另一项分析中，我将成分（部分）作为“原因”来比较各个部分（“规模”和“形状”留空），并使用本地数据过滤器过滤到每个站点，从而为具有不同成分（部分）原因的单个站点生成 MCF。现在这个设计合理吗？
抱歉，这很长。
