JMP再帰分析を用いた予測こんにちは、みんな、
JMPの再帰分析を使用して、機械の将来の修理とコストを予測しようとしましたが、過剰予測の問題が発生しています。最大90日前のボットの生涯データを使用してモデル（対数線形NHPP）をトレーニングし、現在追加されている修理とコストを予測しました。基本的に、モデリングと予測には90日前のデータを使用し、現在のデータを使用して結果を検証しました。結果は約30％の過剰予測を示しています。比例NHPPモデルも試しましたが、同様の量の過剰予測が得られました。モデルの適合性は良好に見えます。総修理数の予測に関しては、モデルは適切に機能しています（過剰予測は10％未満）。新しく発生した修理イベントの予測のみが適切ではありません。
私の質問は次のとおりです:
この過剰予測を減らす方法はありますか？期間を短くするために、90日間ではなく45日間の期間でイベントを予測することを検討していますが、他に試せるアプローチがあるかどうか疑問に思っています。
予測には他にもモデルがあることは知っています。私はこれまで修理の研究に再帰モデルを使っており、既にその手法に慣れているので、この研究を最大限に活用したいと思っています。
ありがとう。
基本的なデータ分析とモデリングJMP再帰分析を用いた予測分析結果を添付した、匿名化されたデータ（「テーブル > 匿名化」）またはサブセット版を投稿していただくことは可能でしょうか？代替案を提案する際に役立つかもしれません。
JMP再帰分析を用いた予測こんにちは、それは良い提案ですね。
以下のスクリーンショットを用いて、私が行ったことを説明します。これは1つのボットのデータを示しています。実際のデータセットには約15,000個のボットが含まれています。モデルを適合させるために、私の例の値を使用しないでください。予測値は、15,000個のボットすべてから生成された累積式に基づいています。
左側の表の最初の3列には、90日前のデータ、BOT ID、経過年数、コスト（1は修理、0は調査終了）が含まれており、これら3列はJMPの再発分析比例ポアソン過程モデルに適合させるために使用されました（表示していない15,000個のBOTが他にも存在します。ここでは1つのBOTを使って、私が行った作業を示したいと思います）。そして、このモデルから累積式を取得しました。4列目の「経過年数＋90日」（現在の経過年数）をこの式に入力し、5列目の「90日間の予測修理数」（現在の時点の予測）を計算しました。
価値 6.28は、このボットの941歳時点での修理総数を表しています。したがって、このボットの過去90日間の修理は、 6.28 − 3 = 3.28 。合計数を計算するには、各ボットの最も古い年齢におけるすべての予測修理数を合計して、総予測数を算出します。次に、各ボットの実際の修理数（90日前）をすべて合計して、実際の修理数の合計を算出します。そして、これら2つの合計値の差（直近90日間の予測修理数の合計）を算出します。
右の表（現在のデータ）を見ると、941日目までに実際に修理されたのは3件のみで、これは90日前と同じです。つまり、このボットの過去90日間の実際の修理件数は、 3-3= 0件です。また、過去90日間におけるすべてのボットの実際の修理件数も計算しました。
2つの数字を比較すると、常に過大予測が見られます。例えば、15,000台のロボットすべてについて、過去90日間の実際の修理件数は 6,996だが、同じロボットの予測修理数は 9,306 — a 33.0% の過剰予測。いくつかの時間枠を試しましたが、常に約 30% の過剰予測になりました。
何か間違ったことをしたのではないかと心配です。
どう思いますか？ありがとう
試してみたい方のために、シミュレーションデータも添付しました。
データには、機械ID、コスト（1は修理、0は調査終了）、経年の3つの列があります。質問は、このデータを用いて今後90日間の修理をどのように予測するかということです。よろしくお願いします。
JMP再帰分析を用いた予測実際のデータの形状と選択したモデルパラメータによって、大きく異なるモデルが得られる可能性があります。シミュレーションデータには最後に異常値があり、これも予測値を変える可能性があります。提供されたデータから、Age^2を含めるかどうかで大きく異なるモデルが得られます。モデルはデータにどの程度適合していますか？
JMP再帰分析を用いた予測最後に発生する異常は、危険にさらされているマシンが 2 台のみであることが原因で発生し、その 2 台のマシンは最も古いマシンです。
スケールや形状効果のない比例PPモデルを使用すると、図は次のようになります。
理解できないことが 2 つあります。
なぜスケール効果と形状効果として年齢を選択するのですか？そうすると曲線が生成されません。なぜそうなるのでしょうか？近似曲線はどこにありますか？
なぜage^2を試すのですか?
ありがとう。
JMP再帰分析を用いた予測これがどれほど問題になるかは分かりませんが、Recurrenceモデルの場合、システムデータは時系列順に並べる必要があります。JMPは自動的に順序を変更することはないと思いますが、モデルには影響が出る可能性があります。サンプルデータには、順序がずれていたマシンIDが2つあります。データにこのような問題が見られない場合は、無視して構いません。
再発分析は、データが修復可能なシステムである場合に使用します。修復可能なシステムとは、修復可能であるという意味ではなく、修復後の状態を指します。イベント発生後、ボットはイベント発生直前と全く同じ状態にあるとみなされますか？それとも「新品同様」とみなされますか？ボットが「新品同様」の場合、実質的に新品であるため、これは修復不可能なシステムです。
これが重要な理由は、データが修復可能なシステムである場合、指数関数的にモデル化され、イベントは時間の経過とともにより頻繁に発生するはずだからです。データが修復不可能なシステムで再発分析を使用すると、状況が悪化し続けると想定されるため、予測が過大になることがよくあります。修復不可能なシステムでは、時間の経過とともに修復回数は一定になるはずで、多くの場合、指数関数的にモデル化されたシステムよりもはるかに少なくなります。
ボットが「新品同様」である場合は、各イベントを個別にモデル化し（つまり、年齢は累積しない）、Life Distribution プラットフォームを使用する方が合理的です。
JMP再帰分析を用いた予測こんにちは、
ご説明ありがとうございます。
時系列順の例とそうでない例を試してみました。JMPの再帰分析は、正しい順序でこれを自動化してくれるようです。
私たちのシステムは修理可能であり、修理前と同じ状態であると想定されています。そのため、ボットは経年劣化します。これが再発分析を選択した理由です。過大予測の原因が分かったと思います。ボットの修理中の時間を差し引かなかったため、不滅バイアス（最近覚えたばかりの専門用語です）が発生しました。修理中の時間を除外して、過大予測が再び発生するかどうかを確認します。
ご提案ありがとうございます。
