Previsione mediante analisi di ricorrenza JMPCiao a tutti,
Ho provato a prevedere le riparazioni future e i costi per le nostre macchine utilizzando l'analisi di ricorrenza di JMP, ma ho riscontrato un problema di sovrapposizione. Ho addestrato un modello (NHPP logaritmico lineare) utilizzando i dati di vita dei bot fino a 90 giorni fa e poi ho previsto le riparazioni e i costi aggiunti attualmente. In pratica, utilizzo i dati di 90 giorni fa per la modellazione e la previsione, e valido i risultati utilizzando i dati attuali. I risultati mostrano una sovrapposizione di circa il 30%. Ho anche provato il modello NHPP proporzionale e ho ottenuto una sovrapposizione simile. L'adattamento dei modelli mi sembra buono. In termini di previsione sulle riparazioni totali, il modello funziona bene (sovrapposizione inferiore al 10%). Solo la previsione per gli eventi di riparazione di recente accaduti non è buona.
La mia domanda è:
C'è un modo per ridurre questa sovrastima? Sto valutando di prevedere gli eventi su un periodo di 45 giorni invece che di 90, per avere una finestra temporale più breve. Ma mi chiedo se ci siano altri approcci che potrei provare.
So che esistono altri modelli di previsione. Dato che ho utilizzato la ricorrenza per studiare le riparazioni e ho già acquisito familiarità con essa, voglio sfruttare al meglio questo studio.
Grazie.
Analisi e modellazione dei dati di baseRe: Previsione tramite analisi di ricorrenza JMPSarebbe possibile pubblicare una versione anonima (Tabelle > Anonimizza) o un sottoinsieme dei tuoi dati con la tua analisi allegata? Questo potrebbe aiutarci a suggerire alternative.
Re: Previsione tramite analisi di ricorrenza JMPCiao, è un buon suggerimento.
Spiegherò cosa ho fatto usando lo screenshot seguente, che mostra i dati di un bot. Il set di dati reale contiene circa 15.000 bot. Si prega di non utilizzare i miei valori di esempio per adattare il modello: i valori previsti si basano sulla formula cumulativa generata da tutti i 15.000 bot.
Le prime tre colonne nella tabella a sinistra includono i dati di 90 giorni fa, ID BOT, età e costo (1 indica una riparazione, 0 indica la fine dello studio) e queste tre colonne sono state utilizzate per adattare il modello di processo di Poisson proporzionale di JMP Recurrence Analysis (ci sono altri 15.000 bot che non ho mostrato. Voglio solo usarne uno per mostrare cosa ho fatto). È stata quindi ottenuta la formula cumulativa dal modello. La quarta colonna, età più 90 giorni (età attuale), è stata inserita in questa formula per calcolare la quinta colonna, riparazioni previste in 90 giorni (previsione per il momento attuale).
Il valore 6,28 rappresenta il totale previsto delle riparazioni per questo bot all'età di 941 anni. Pertanto, si prevede che le riparazioni per questo bot negli ultimi 90 giorni saranno 6,28 − 3 = 3,28 . Per calcolare i numeri totali, sommo tutte le riparazioni previste all'età più avanzata per ciascun bot per ottenere la previsione totale. Sommo tutte le riparazioni effettive (90 giorni fa) per ciascun bot per ottenere il totale delle riparazioni effettive. Quindi ottengo la differenza (totale delle riparazioni previste per gli ultimi 90 giorni) tra queste due somme.
La tabella di destra (dati attuali) mostra che si sono effettivamente verificate solo 3 riparazioni fino a 941 giorni fa, ovvero lo stesso numero di 90 giorni fa. Quindi le riparazioni effettive per questo bot negli ultimi 90 giorni sono in realtà 3-3= 0 . Calcolo anche le riparazioni effettive per tutti i bot negli ultimi 90 giorni.
Confrontando i due numeri, noto costantemente una sovrastima. Ad esempio, per tutti i 15.000 bot, il numero di riparazioni effettive negli ultimi 90 giorni è 6.996 , mentre le riparazioni previste per gli stessi robot sono 9.306 — un Sovrapprezzo del 33,0% . Ho provato diverse finestre temporali e ho sempre ottenuto una sovrapprezzo del 30% circa.
Temo di aver fatto qualcosa di sbagliato.
Cosa ne pensi? Grazie
Ho anche allegato dei dati simulati nel caso qualcuno volesse provarli.
I dati sono suddivisi in tre colonne: ID macchina, costo (1 indica riparazione e 0 indica fine studio), età. La domanda è come prevedere le riparazioni nei successivi 90 giorni utilizzando i dati. Grazie.
Re: Previsione tramite analisi di ricorrenza JMPA seconda della forma dei dati effettivi e dei parametri del modello selezionati, è possibile ottenere modelli molto diversi. I dati simulati presentano un'anomalia finale che può alterare le previsioni. Dai dati forniti, ottengo modelli molto diversi a seconda che includa o meno Age^2. Quanto è accurato il tuo modello per i dati?
Re: Previsione tramite analisi di ricorrenza JMPL' anomalia alla fine è causata solo da due macchine a rischio e queste due macchine sono le più vecchie.
Utilizzo semplicemente il modello PP proporzionale senza effetto scala o forma e la figura appare come segue
Ci sono due cose che non capisco:
Perché scegli l'età come Effetto Scala e Effetti Forma? Non genera una curva quando lo fai. Perché è così? Dov'è la curva di adattamento?
Perché provi age^2?
Grazie.
Re: Previsione tramite analisi di ricorrenza JMPNon so quanto questo sia un problema, ma per i modelli di ricorrenza, i dati di sistema dovrebbero essere in ordine cronologico, poiché non credo che JMP li riordini automaticamente, ma questo farà la differenza nel modello. Ecco due ID macchina nei dati di esempio che non erano in ordine. Se non vedi questo problema nei tuoi dati, puoi ignorarlo.
L'analisi della ricorrenza è utile quando i dati sono un sistema riparabile. Un sistema riparabile non significa che possa essere riparato, ma qual è lo stato dopo la riparazione? Dopo l'evento, i bot sono considerati esattamente come prima dell'evento? Oppure sono considerati "come nuovi"? Se il bot è "come nuovo", si tratta di un sistema non riparabile, perché si tratta essenzialmente di un elemento nuovo di zecca.
Il motivo per cui questo è importante è che se i dati sono un sistema riparabile, sono modellati come un sistema esponenziale e gli eventi dovrebbero verificarsi più frequentemente nel tempo. Se i dati non sono un sistema riparabile e si tenta di utilizzare l'analisi della ricorrenza, spesso sovrastimare le previsioni perché presuppone che la situazione continuerà a peggiorare. Un sistema non riparabile dovrebbe raggiungere un numero costante di riparazioni nel tempo, che sarà spesso molto inferiore a quello di un sistema esponenziale.
Se i bot sono "come nuovi", potrebbe essere più sensato modellare ogni evento in modo indipendente (ad esempio, l'età non è cumulativa) e utilizzare la piattaforma Life Distribution.
Re: Previsione tramite analisi di ricorrenza JMPCIAO,
Grazie per la spiegazione.
Ho provato esempi con e senza ordine cronologico. Sembra che l'analisi delle ricorrenze di JMP automatizzi questo aspetto con l'ordine corretto.
Il nostro sistema è riparabile e si presume che sia valido quanto lo era prima della riparazione. Quindi i bot si usurano con l'invecchiamento. Questo è il motivo per cui abbiamo scelto l'analisi di ricorrenza. Credo di aver trovato la ragione della sovrapposizione. Non abbiamo sottratto il tempo in cui i bot erano in riparazione, il che ha portato a un bias di immortalità (termine sofisticato che ho appena imparato). Escludo il tempo in riparazione e vedo se la sovrapposizione si ripresenterà.
Grazie per i tuoi suggerimenti.
