Consideraciones acerca de los datos para la Regresión con datos de vida útil

Para asegurar que los resultados sean válidos, considere las siguientes pautas al recopilar datos, realizar el análisis e interpretar los resultados.

La variable de respuesta debe ser continua
Los datos continuos son mediciones que potencialmente pueden tomar cualquier valor numérico dentro de un rango de valores a lo largo de una escala continua, incluyendo valores fraccionados o decimales. Si sus datos de respuesta son binarios (solo dos resultados posibles), en lugar de mediciones continuas de tiempo de falla (u otras unidades), utilice Análisis probit.
Los datos de respuesta a menudo son tiempos de falla
Para recolectar datos, usualmente usted mide la cantidad de tiempo hasta que un elemento falla cuando es sometido a diferentes condiciones que se miden con una o más variables y/o factores. Por ejemplo, podría medir el tiempo hasta fallar de un elemento en funcionamiento a diferentes temperaturas.
Los tiempos de falla deben ser independientes
El tiempo de falla de un elemento no debería influir en el tiempo de falla de otro elemento. Si los tiempos de falla son dependientes, los resultados pudieran no ser exactos. Por ejemplo, los tiempos entre fallas de un sistema reparable a menudo no son independientes.
Usted debe tomar en cuenta los datos censurados

Los datos de vida útil a menudo están censurados, lo que significa que se desconocen los tiempos de falla exactos de algunos elementos. Si usted tiene observaciones censuradas, debe incluirlas en su análisis para obtener estimaciones de fiabilidad exactas.

Utilice censura por la derecha para asignar tiempo de éxito a elementos que aún no han fallado. Utilice censura por intervalo o por la izquierda para representar incertidumbre cuando usted no sabe los tiempos de falla exactos. Para obtener más información, vaya a Censura de los datos.

El modelo puede incluir hasta 9 factores y 50 covariables
Los predictores pueden ser factores (variables categóricas) o covariables (variables continuas). A menos que usted especifique un predictor como un factor, se supone que el predictor es una covariable.
Los términos del modelo se pueden crear a partir de las variables predictoras y tratar como factores, covariables, interacciones o términos anidados. Los factores pueden estar cruzados o anidados. Las covariables pueden estar cruzadas entre sí o cruzadas con factores, o pueden estar anidadas dentro de factores.
El modelo que debería ajustarse adecuadamente a los datos
Para obtener resultados exactos, los supuestos del modelo, que incluye el ajuste de distribución e igualdad de parámetros de forma (Weibull y exponencial) o escala (otras distribuciones), deberían ser apropiados para los datos. Utilice los conocimientos de ingeniería o históricos para seleccionar un modelo de distribución. Luego examine las gráficas de probabilidad para los residuos estandarizados y de Cox-Snell para determinar si los supuestos del modelo son apropiados.
El modelo debe ser de clasificación completa y jerárquico
En un modelo jerárquico, si se incluye un término de interacción, todas las interacciones de orden inferior y los predictores que comprenden el término de interacción deben estar también en el modelo. Un modelo de rango completo incluye suficientes datos para estimar todos los términos en su modelo. Datos faltantes, datos insuficientes o alta colinealidad pueden impedir que un modelo sea de rango completo. Si el modelo no es de rango completo, Minitab se lo indicará cuando usted realice el análisis. A menudo puede resolver este problema eliminando interacciones poco importantes de orden superior del modelo. Para obtener más información, vaya a Restricciones de los modelos para regresión con datos de vida útil.
Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política