大家好
我是社區的新成員。我被指派了一項任務，對我們的資料進行遞歸分析。我從未使用過 JMP，也從未做過任何遞歸分析。所以我肯定會提出一些愚蠢的問題。
我們擁有的數據是機器人維修數據。我們想了解機器人的維修事件模式，我被告知要使用遞歸分析（不知道為什麼）。
我們有大約 15000 個機器人，我使用了「bot_id」、「accumulated_transactions」、「site」、「cost」、「bot_type」和「component」欄位。 「Site」表示機器人工作的不同位置。 「cost」是 0 或 1 值（1 表示維修，0 表示機器人的最後一次事件）。 “component”表示正在維修的不同零件。我們想觀察網站、bot_type 和零件對 mcf 和維修模式的影響。我主要使用對數線性 NHPP 模型。
如果我想研究網站對 MCF 的影響，我應該把網站設定為「分組」角色還是「原因」角色？如果我想知道哪個網站的機器人程式比其他網站惡化得更快？哪個網站的修復率比其他網站高？
我的理解是，分組是為了區分彼此獨立的類別因素，就像一個機器人不能同時出現在兩個位置。所以我應該使用分組。但 ChatGPT 建議使用 Cause。我不知道哪個才是正確的。
我也想問一下，如何選擇尺度和形狀效應的列。例如，如果我按照 GPT 的建議選擇“站點”作為“原因”，那麼尺度和形狀效應應該選擇什麼呢？我覺得站點也會影響這兩個因素。 JMP 也允許我選擇網站。我的問題是，我能否同時選擇站點作為「原因」、「尺度」和「形狀」。這會產生一個我無法解釋的結果（數百條 MCF 線和每個網站的參數估計表會影響所有網站（包括它自己）。所以我想我無法做到這一點。
然後我把成分（部分）設為“原因”，地點設為尺度和形狀因子。 JMP 為每個成分產生一個模型。在對數線性 NHPP 中擬合後，為每個原因產生一個參數估計表。問題是 MCF 曲線是 12 個成分 x 20 個地點，產生了數百條線。我感覺我又做錯了。
感覺如果我使用“原因”角色，那麼我不應該將任何東西作為“規模”或“形狀”效應器，否則會使 MCF 曲線過於擁擠。
最後我決定將站點作為「分組」來比較不同的站點，將站點作為「規模」和「形狀」效應器。
在另一項分析中，我將成分（部分）作為「原因」來比較各個部分（「規模」和「形狀」留空），並使用本地資料過濾器過濾到每個站點，從而為具有不同成分（部分）原因的單一站點產生 MCF。現在這個設計合理嗎？
抱歉，這很長。
