Stichproben-SuffizienzbewertungWir haben eine Legierungsdatenbank, sagen wir Stahldatenbank. In dieser Datenbank waren Informationen zu 100 Stählen enthalten.
In dieser Datenbank haben wir die Zusammensetzung, dh die Konzentration der einzelnen Elemente. und die Eigenschaft der Legierung. Ein Beispiel ist unten gezeigt.
Ich möchte mit diesen Daten ein Modell erstellen, mit dem die Härte neuer Stähle vorhergesagt werden kann. Ich fürchte jedoch, dass die Größe der Daten, die wir derzeit haben, nicht ausreicht, um die Art von Stahl darzustellen, die wir untersucht haben.
Ich frage mich, gibt es einen statistischen Weg, um die Stichprobenergänzung quantitativ zu bewerten? Vielen Dank.
Re: Stichproben-SuffizienzbewertungIch denke, der beste Weg, um festzustellen, ob Sie eine ausreichende Probe haben, besteht darin, die Analyse durchzuführen und die Modelldiagnose auszuwerten. Mit "ausreichend" meine ich sowohl Qualität als auch Quantität. Die Vollständigkeit hängt von vielen Aspekten der Daten ab, daher denke ich, dass beispielsweise eine einfache Berechnung der Stichprobengröße in diesem Fall nicht hilfreich oder angemessen wäre.
Re: Stichproben-SuffizienzbewertungUm Marks Punkt näher zu erläutern: Führen Sie Ihr Modell aus und speichern Sie die Vorhersageformel und andere relevante Ausgaben. Überprüfen Sie auch die Modellausgabe in allen relevanten Dimensionen. Wie genau ist das Modell im Durchschnitt? Wie groß sind die Vorhersageintervalle? Befinden Sie sich mit bestimmten Arten von Schätzfehlern?
Ihre Genauigkeit hängt von der Probengröße ab, hängt jedoch auch von der Genauigkeit des Modells ab. Sie können also die Stichprobengröße erhöhen und / oder die Genauigkeit des Modells erhöhen. Ich glaube nicht, dass es einen allgemeinen formelhaften Ansatz gibt, der besser ist. Er hängt von den Daten ab, mit denen Sie arbeiten, und vom Kontext Ihres Problems. Wenn Sie bereit sind, Ihre Daten zu veröffentlichen, bin ich sicher, dass einige Leute bereit sind, dies weiter zu erforschen (ich bin es).
Re: Stichproben-SuffizienzbewertungDanke an Dale für die Anregung einiger konkreter Vorschläge. Um noch weiter in diese Richtung zu gehen, schlage ich vor, dass Sie Hilfe> Bücher> Lineare Modelle einpassen> Kleinste Quadrate anpassen finden. (Ich gehe davon aus, dass Sie beabsichtigen, ein lineares Modell zu verwenden.) Das Plattformmenü RowDiagnose enthält zahlreiche Funktionen. Diese Tools sollen Ihnen helfen, die Stärken und Schwächen des Modells und der Daten zu verstehen.
Das Diagramm Actual by Predicted ist eine Möglichkeit, die Verzerrung des Modells zu verstehen.
Die Leverage-Diagramme helfen Ihnen, Datenprobleme in jeder Variablen zu verstehen, z. B. die Kollinearität mit anderen Variablen und den ungewöhnlichen Einfluss einiger Beobachtungen.
Die auf Residuen basierenden Diagramme sind hilfreich, um zu beurteilen, wie gut Ihre Daten die Modellannahmen erfüllen. Das Vorhandensein einer Verzerrung in der tatsächlichen durch vorhergesagten oder einer der Residuendiagramme deutet auf ein fehlendes Passungsproblem hin, das durch das Hinzufügen von Termen als Transformationen der vorhandenen Variablen (z. B. Potenzen oder Kreuzterme) oder zusätzlicher Variablen angegangen würde.
Welches Modell möchten Sie verwenden?
Die linearen Modelle haben viele Vorteile, sind aber nur so flexibel (immerhin eine begrenzte Taylor-Serie). Die neuronale Plattform könnte für komplexe Beziehungen besser geeignet sein. Sie können Actual by Predicted- und Residuendiagramme für Ihre Beurteilung verwenden.
