劣化データの予測異なる初期値を持つ過去の分解データから24か月後の濃度を予測できるモデリング手法はどれか？
複数のバッチ／サンプルについて、経時的な劣化データ（例えば、最長24ヶ月）が測定されている。
各バッチはリリース時に異なる初期濃度で開始し、すべてのバッチがすべての時点で測定されているわけではありません（後の時点のデータが欠落しています）。すべての測定は同じ測定パラメータを使用して実施されました。観測されたすべてのバッチは85%以上で開始しますが、仮想的なリリース値を80%と仮定して、24か月後の濃度を予測したいと考えています。目標は、一部のバッチで時点のデータが欠落している場合でも、利用可能なすべてのデータを同時に使用してモデルを作成することです。
反復測定劣化解析プラットフォームでは、X変数（同じ測定パラメータが使用されたため利用できなかった）なしでアレニウス式を使用することはできませんでした。他のモデルも、利用可能なデータにはうまく適合しませんでした。
よろしくお願いします！
データ探索と可視化件名：劣化データの予測こんにちは、 @UrsulaOrsolya さん。
失敗した計算に使用した方程式／公式を教えていただけますか？
ありがとう、
ベン
件名：劣化データの予測ご回答ありがとうございます！現在の状況は以下のとおりです。データに温度（すべてのデータポイントで25℃）用の列を別途作成しました。しかし、このデータを使って、想定される放出率80%を予測する方法がわかりません。
件名：劣化データの予測こんにちは、ウルスラさん。
念のため確認ですが、修正アレニウス法で目標とする温度（JMPでは「基準」温度）はいくつですか？温度が1つだけだと、パラメータを正確に推定するのが難しくなります。
80%という数字は、目標とするスペックの上限値という意味ですか？それとも、24ヶ月後の値を調べているのでしょうか？
ありがとう！
ベン
件名：劣化データの予測劣化は非線形モデルに従っているように見えるので、Fit Curveプラットフォームを試してみることをお勧めします。温度変化やその他の加速要因がないため、繰り返し測定による劣化分析は今回のケースには適していません。
別の方法としては、データを線形化（例えば、データの対数を取るなど）し、線形回帰モデルをデータに適合させる方法があります。そこから予測値を得て、逆変換を行うことで予測値を取得できます。
件名：劣化データの予測指数関数的3Pモデルまたはメカニズム的成長モデルは、このデータによく適合するようだ。
件名：劣化データの予測こんにちは、 @UrsulaOrsolya さん。Fit Curve を使用して保存したスクリプトとともにデータテーブルを添付しました。異なる温度を調査していないため、一次反応速度式を当てはめて、プロファイラーを使用して X か月後の応答を特定する方が良いかもしれません。
件名：劣化データの予測初期値（放出値）が80%（つまり0ヶ月時点）である仮想サンプルについて、24ヶ月後の値を予測したいと考えています。信頼区間も示していただけると助かります。すべてのサンプルは同一の条件下で保管されているため、温度自体は重要ではありません。
件名：劣化データの予測ご協力ありがとうございます！このアプローチでは、初期値によって劣化挙動が異なる可能性があることを考慮せずに、データセット全体に曲線を当てはめているため、私たちの目的を完全に達成することはできません。時間ゼロにおける開始点が異なるサンプルは、時間の経過とともに多少異なる劣化を示す可能性があることを考慮することが重要です。私たちの目的は、0ヶ月時点で80%から開始した場合に何が起こるかを把握することです。
件名：劣化データの予測ご提案ありがとうございます！私の目標は、信頼区間を含めた以下のようなものです。
そこで、測定データに基づいて一般的な公式を見つけ出し、それを0ヶ月時点で80%から始まる仮想サンプルに適用したいと考えています。
Fit Curveプラットフォームをこの目的でどのように使用すればよいのかよく分かりません。何かアドバイスはありますか？
件名：劣化データの予測こんにちは、 @UrsulaOrsolya さん。
FitCurveプラットフォームでは、お探しの情報は直接入手できないと思います。そこで、以下の方法をお勧めします。
1. @Ben_BarrIngh が添付した JMP ファイルで適合させたモデルを使用して、パラメトリック予測式を保存します。
2. 次に、生データとパラメトリック予測式を使用して非線形プラットフォームを使用します。
3. aパラメータを 80 に固定します。これは、適合させた First Order with Limits モデルの初期値としてパラメータ化されています。次に、実行ボタンをクリックします。信頼区間ボタンをクリックすると、アルゴリズムが b パラメータと c パラメータの信頼区間を表示します。次に、予測プロファイラを開きます。
必要であれば、この予測式とそれに関連する信頼区間／予測区間を保存できます。
付け加えておきますが、これはJMPでこの予測値を取得するかなり力任せな方法です。統計的に見てより適切な方法は、RまたはPythonを使用してベイズ非線形モデルを適合させることだと思います。これにより、1. 開始値と劣化率の間の相関関係を考慮に入れ、2. バッチ間の変動性とMCMCサンプリングを使用して、任意の初期値で将来の未観測バッチの予測を行うことができます。
件名：劣化データの予測
モデルを適合させた後、予測式を標準誤差予測式とともにデータテーブルに保存できます。平均予測の信頼区間を設定するには、別の数式列で簡単な計算を行う必要があります。簡単な方法としては、標準誤差を2倍するだけで、これは約95%信頼区間の半幅になります。特定のバッチの特定の時点での予測を行う場合は、テーブルに行を追加してバッチIDと時点を設定すると、その条件に基づいて予測式が計算されます。
件名：劣化データの予測ご協力ありがとうございました！
件名：劣化データの予測どうもありがとうございます！
