Befolgen Sie beim Erfassen von Daten, Durchführen der Analyse und Interpretieren der Ergebnisse die folgenden Richtlinien, um sicherzustellen, dass die Ergebnisse gültig sind.
- Die Antwortvariable sollte stetig sein
- Stetige Daten sind Messwerte, die potenziell einen beliebigen numerischen Wert innerhalb eines Wertebereichs auf einer stetigen Skala annehmen können; dazu gehören auch Brüche und Dezimalzahlen. Wenn es sich bei den Daten der Antwortvariablen um Binärwerte (nur zwei mögliche Ergebnisse) und nicht um stetige Messwerte der Ausfallzeit (oder Maße in anderen Einheiten) handelt, verwenden Sie Probit-Analyse.
- Bei den Daten der Antwortvariablen handelt es sich häufig um Ausfallzeiten
- Zum Erfassen von Daten messen Sie im Allgemeinen den Zeitraum bis zum Ausfall einer Einheit, wenn dieser unterschiedlichen Bedingungen unterliegt, die durch eine oder mehrere Variablen und/oder Faktoren angegeben werden. Sie können beispielsweise die Zeit bis zum Ausfall für eine Einheit messen, die bei verschiedenen Temperaturen betrieben wird.
- Die Ausfallzeiten müssen unabhängig sein
- Die Ausfallzeit einer Einheit darf die Ausfallzeit einer anderen Einheit nicht beeinflussen. Bei voneinander abhängigen Ausfallzeiten sind die Ergebnisse möglicherweise nicht genau. Die Zeiträume zwischen den Ausfällen eines reparierbaren Systems sind beispielsweise häufig nicht unabhängig.
- Zensierte Daten müssen berücksichtigt werden
-
Lebensdauerdaten sind häufig zensiert, d. h., die genauen Ausfallzeiten einiger Einheiten sind unbekannt. Wenn zensierte Beobachtungen vorliegen, müssen sie in die Analyse eingebunden werden, um genaue Zuverlässigkeitsschätzwerte zu erhalten.
-
Kennzeichnen Sie mit der Rechtszensierung noch nicht ausgefallene Einheiten als Erfolg. Wenn Ihnen die genauen Ausfallzeiten nicht bekannt sind, berücksichtigen Sie die Unsicherheit mit Hilfe der Intervallzensierung oder Linkszensierung. Weitere Informationen finden Sie unter Zensieren von Daten.
- Das Modell kann bis zu 9 Faktoren und 50 Kovariaten enthalten
- Prädiktoren können Faktoren (kategoriale Variablen) oder Kovariaten (stetige Variablen) sein. Sofern Sie einen Prädiktor nicht als Faktor festlegen, wird davon ausgegangen, dass es sich bei dem Prädiktor um eine Kovariate handelt.
- Die Modellterme können aus den Prädiktorvariablen gebildet und als Faktoren, Kovariaten, Wechselwirkungen oder geschachtelte Terme behandelt werden. Faktoren können gekreuzt oder geschachtelt sein. Kovariaten können miteinander oder mit Faktoren gekreuzt werden oder innerhalb von Faktoren geschachtelt sein.
- Das Modell muss angemessen an die Daten angepasst sein
- Die Modellannahmen, u. a. zur Verteilungsanpassung und zu gleichen Formparametern (Weibull- und Exponentialverteilung) oder Skalenparametern (andere Verteilungen) müssen für die Daten zutreffen, damit genaue Ergebnisse berechnet werden. Nutzen Sie bei der Auswahl des Verteilungsmodells technisches Fachwissen oder historische Daten. Untersuchen Sie anschließend die Wahrscheinlichkeitsnetze für die standardisierten Residuen und die Cox-Snell-Residuen, um festzustellen, ob die Modellannahmen zutreffen.
- Das Modell muss den vollen Rang aufweisen und hierarchisch sein
- Wenn ein hierarchisches Modell einen Wechselwirkungsterm enthält, müssen alle Wechselwirkungen niedriger Ordnung sowie alle Prädiktoren, aus denen sich der Wechselwirkungsterm zusammensetzt, ebenfalls im Modell enthalten sein. Ein Modell weist den vollen Rang auf, wenn es eine ausreichende Menge von Daten enthält, um alle Terme im Modell schätzen zu können. Fehlende Daten, unzureichende Daten oder hohe Kollinearität können verhindern, dass ein Modell den vollen Rang aufweist. Wenn das Modell nicht den vollen Rang aufweist, gibt Minitab beim Durchführen der Analyse eine Warnmeldung aus. Dieses Problem kann häufig behoben werden, indem unwichtige Wechselwirkungen höherer Ordnung aus dem Modell entfernt werden. Weitere Informationen finden Sie unter Einschränkungen bei Modellen für die Regression mit Lebensdauerdaten.
