轮廓预测的回归或相关我目前正在对烤箱配置文件进行分析。我们有来自热电偶的烤箱的16个数据点。和2个最大数据重新计算最高热温度和最高冷温度。
16个数据点和2个最大数据点是输出响应。这意味着有两组输出响应 - 1）来自热电偶的温度曲线2）烤箱显示温度来自2个传感器。
哪种分析最适合使用这两个数据集预测实际轮廓温度？
相关或回归拟合模型？由于它都是输出响应，我对此感到困惑。
由于这是曲线响应，我发现使用二次回归模型更合适。对这种情况的正确分析方法的任何帮助都是有用的。
Re：轮廓预测的回归或相关你的.pptx信息很丰富，但只是包含了测量值的截图，所以我只能得到一般的印象。显然，更多的数据会很好，TBH，我认为在这些数据可用之前我不会提出合理的建议。
在这种情况下，在考虑建模之前，必须以图形方式查看数据，以更好地理解其包含的变体来源。烤箱运行你目前来自几个不同的“托盘”，“类型”和“序列”条件，并且（如果我严格地采用颜色编码并忽略任何关于测量不确定性的问题），它看起来像温度的模式烤箱内可能取决于这些条件。因此，您需要确定您的“预测”（使用尚未指定的统计approcah）是否旨在一起涵盖所有案例，或仅针对某些案例。无论如何，无论你最终使用什么技术，从两个中获得十六个数字似乎都是雄心勃勃的。
Re：轮廓预测的回归或相关附件是烤箱热电偶读数和烤箱显示屏的温度读数。
基本上在我们的研究中，我们实际上试图看到我们从烤箱室获得的实际热电偶读数与烤箱上显示的两个读数之间的关系。我们记录了热电偶读数的最大值和烤箱显示读数。现在我们要做的是仅用显示读数来预测烤箱腔室读数。我们正在收集更多数据。但是我的问题是二次拟合回归模型是否合适。它们会被视为因变量吗？回归模型是否适合这种正确的统计方法？
Re：轮廓预测的回归或相关是的，'输入'或'输出'都是一个人的观点！
我从你的描述中有一个大概的想法，但我认为当你说'...时你需要更具体一点。烤箱轮廓分析'。这种分析的实际目标是什么？举个例子，想要控制温度曲线，或者甚至使其更均匀，这种情况并不罕见，因为这会影响烤箱的温度。在“控制”的情况下，可能或者可能仅使用记录的最大值和最小值（而不是其他16个）。这种可能性是否合理可以通过分析来确定，该分析旨在理解16个测量与其他2个测量之间的关系。在该分析中，16将被视为输入，而2将被视为输出。
一旦明确这一点，人们应该能够提供一些关于哪些技术可能有助于确定感兴趣关系的建议。像往常一样，如果您能够共享一些，JMP表中的示例数据将有所帮助。
