Estoy buscando un método apropiado para el análisis de estos datos/situación: venta de dispositivos electrónicos. Los clientes son alentados a informar dispositivos defectuosos. Alrededor de todos los meses vamos a calcular la tasa acumulativa de {defective_devices}/{all_sold_devices}. Me gustaría monitor de fuertes aumentos en las tasas de defectos; por ejemplo si quiero calcular el acumulado de las tasas de cada uno de los meses de 1 a 5 que voy a tener 0.3, 0.55, 0.4, 0.78, 0.85... parece que la pendiente de la curva aumenta bruscamente en 0.78 adelante. ¿Qué métodos estadísticos se puede utilizar para determinar que la pendiente aumenta considerablemente por un cierto valor predeterminado? También estoy preocupado por la selección arbitraria de seguimiento cada mes, ¿por qué no cada semana o incluso cada día? ¿Cómo hace uno para determinar cuál es el adecuado periodo de monitoreo?
Respuestas
¿Demasiados anuncios?
Hemos tenido un problema similar cuando yo trabajaba en la industria de dispositivos médicos. Queríamos determinar la fiabilidad de nuestro producto, en mi caso un marcapasos. Los médicos fueron alentados a informar de las anomalías que se detectan cuando se explante del dispositivo. La mayoría de las fallas son de agotamiento de la batería, pero el resto de los modos de falla se producen. Se utilizó la estimación de Kaplan-Meier del tiempo hasta el fallo como nuestra medida de rendimiento tal vez centrándose en su valor en 5 años post-implante. Los informes están llegando continuamente. Así que no tenemos el problema de la recolección de intervalos arbitrarios. Este es un enfoque diferente para el mismo problema pero tiene válido métodos estadísticos para la caracterización de la falta de distribución de tiempo. Un enfoque paramétrico que implicaría decir, el ajuste de una distribución de Weibull para la presentación de datos le proporcionará una función que describe cómo la tasa de fracaso aumenta o disminuye con el tiempo, dada la estimación de los parámetros.
Pero el verdadero problema de fondo que hemos tenido y que podría también es subregistro. Aunque los médicos se supone que informe de las fallas de vuelta al fabricante o mejor aún retorno de los explantes dispositivo a los fabricantes para que los ingenieros del fabricante puede diagnosticar el fracaso no siempre a él. Disminución de las tasas fueron pensados para ser tan alta como 30%. Usted puede tener un gran sesgo (estimando que su tasa de fracaso es menor de lo que es en realidad en cualquier tiempo desde el implante).
La FDA había un plan para posteriores a la comercialización de vigilancia que ajustar este sesgo basado en independiente seguimiento detallado de una muestra aleatoria de los implantes. Publiqué un artículo en el DIA de Diario que mostró que el ajuste dependían en gran medida de algunos de los supuestos y la sobrecorrección era posible. Sin embargo, en principio, una metodología estadística para esto sería para adaptarse a una paramétrica de la curva de supervivencia y ajustar las estimaciones de los parámetros basados en el muestreo aleatorio de los dispositivos.
En lugar de las tasas , que se deben modelar el número de quejas como una función de la cantidad vendida, quizás, incluyendo las ventas anteriores como las quejas podría tener alguna dependencia del tiempo. Uno debe, posiblemente, identificar el nivel de turnos y/o tendencias en el número de quejas. Estructura estacional, también podrían tener que ser identificado como que podría ser una fuente de variación. Si usted está utilizando datos diarios, podría ser un día de fiesta efecto. Debe tener cuidado de no ser ciego cara por valores inusuales cuando la construcción de su modelo. De esta manera usted será capaz de predecir y, a continuación, para detectar cuando las cosas han chnaged. Las herramientas que usted es después de que podrían estar disponibles para usted, mientras que la búsqueda para "automático la función de transferencia de la intervención de detección" . Se utilizaron los índices de cuando uno no sabe cómo modelar la observan dos variables. Previsiones siempre se puede ser convertido en tasas si que es útil para usted, pero uno no empieza con tasas que han colapsado efectivamente dos columnas de datos en uno, con la consecuente pérdida de información.
