202890_de-DE

liliconcom

Kriterien der Verteilung können innerhalb der Option Prozessfähigkeit ausgewählt werden

Ich verwende Analyse/Qualität und Prozess/Prozessfähigkeit und wähle nach Auswahl der „Y, Process“-Daten und „By“-Auswahl unter „Distribution Options“ Distribution „Best fit“ aus.

 

Das passt dann zu zahlreichen Datenverteilungen zu meinem Datensatz und empfiehlt den höchsten AICc BIC -2Loglike

 

Vergleichsdetails

Meine Frage ist, ob es anerkannte Gründe gibt, AICc über BIC oder über -2Loglike (alle Referenzartikel oder Erfahrungen) auszuwählen, und wie nahe diese Werte beieinander liegen müssen, damit sie als ähnlich angesehen werden. Zum Beispiel sind die obigen ersten 4 Verteilungen ungefähr gleich, da sie c.46 bis 50 sind, aber habe ich Recht, wenn ich sage, dass die Normale nicht verwendet werden sollte, da sie viel größer ist und c.63 ist, wie nahe sie sein können, um als ähnlich angesehen zu werden und unähnlich?? (Auch hier wären Referenzen oder Erfahrungen willkommen).

 

Grüße Jan

 

 

Betreff: Kriterien der Verteilung passen zur Auswahl innerhalb der Option Prozessfähigkeit

Nein. Alleinige Verwendung von AICc , ist die Mischung aus zwei Normalverteilungen das beste Modell und die Weibull-Verteilung das zweitbeste Modell dieser Modelle, die an dieselben Daten angepasst sind. Da der mit dem Weibull-Modell verbundene AICc dem des normalen Mischungsmodells nahe kommt, können wir sagen, dass auch er durch die Daten stark gestützt wird.

 

Wenn ich andere, unabhängige Gründe für die Wahl der Weibull-Verteilung hätte (z. B. historische Präferenz, Theorie des Prozesses usw.), könnten mich diese Informationen zusammen mit dem AICc dazu veranlassen, sie dem normalen Mischungsmodell vorzuziehen.

 

Eine gute Referenz ist Kenneth P. Burnham und David R. Anderson (2002) " Modellauswahl und Multimodell-Inferenz: Ein praktischer informationstheoretischer Ansatz, zweite Auflage “, „Springer.

Betreff: Kriterien der Verteilung passen zur Auswahl innerhalb der Option ProzessfähigkeitDanke Mark dafür, also für die 4 Distributionen
#1) Mischung aus 2 Normalen
#2) Weibull
#3) Mischung aus 3 Normalen
#4) Johnson Su

Diese haben alle ähnliche AICc, liegen aber innerhalb eines Bereichs von 4 und gelten als ähnlich, die anderen Verteilungen ab „Normal“ sind größer als 10 AICc-Punkte und sollten daher nicht berücksichtigt werden.

Ihre Aussage "Eine AIC-Differenz von weniger als 4 zeigt an, dass das zweitbeste Modell eine signifikante Unterstützung durch die Daten hat", also empfehlen Sie, dass #2 Weibull die beste Option ist. Warum wird dies gewählt, weil "Mixture" -Verteilungen gegenüber "Mixture" -Verteilungen bevorzugt werden? die klassischeren Weibull- und ähnlichen Verteilungen (z. B. Normal, Gamma usw.).

Vielen Dank für Ihre Hilfe, gibt es Literatur, die dies beschreibt?

Gruß IanBetreff: Kriterien der Verteilung passen zur Auswahl innerhalb der Option Prozessfähigkeit

Diese Kriterien basieren auf der Informationstheorie. Die -2L ist ein Maß für das Modell Voreingenommenheit , je kleiner also dieser Wert ist, desto geringer ist die Abweichung im Modell. Wir wollen im Allgemeinen das Modell mit minimaler Verzerrung. Ohne Rücksicht auf das Modell Varianz , erhöhen Sie einfach die Komplexität des Modells (z. B. fügen Sie dem linearen Modell weitere Terme hinzu), bis Sie eine perfekte Anpassung haben. Dieses Ergebnis ist in Ordnung, wenn Sie nur den aktuellen Datensatz modellieren möchten. Ein solches Modell nicht ' verallgemeinern ', um neue Daten darzustellen. Die -2L gibt also Aufschluss über das Modell, gilt aber allgemein als schlechtes Kriterium für die Modellauswahl.

 

AIC und BIC basieren beide auf -2L plus a Strafe für die Varianz. Der minimale AIC oder BIC gleicht Bias und Varianz optimal aus. Der Unterschied zwischen den beiden Kriterien liegt in der Definition der Strafe. Die Strafe ist in beiden Fällen eine Funktion der Modellkomplexität und der Stichprobengröße. AIC wird im Allgemeinen gegenüber BIC bevorzugt, aber einige Arten von Modellen scheinen je nach Interpretation der Komplexität besser mit BIC ausgewählt zu werden.

 

Der Unterschied zwischen den beiden Modellen mit dem besten AIC kann bei der Bewertung der Kandidatenmodelle hilfreich sein. Eine AIC-Differenz von weniger als 4 zeigt an, dass das zweitbeste Modell eine signifikante Unterstützung durch die Daten hat, eine Differenz von 4 bis 10 zeigt deutlich weniger Unterstützung an und eine Differenz von mehr als 10 zeigt im Wesentlichen keine Unterstützung an.

 

HINWEIS: Diese Kriterien sind abhängig von den Trainingsdaten.

 

Am besten ist es, wenn die Wahl des Modells auch vorhandenes Wissen über das betrachtete System mit einbezieht. Wie kommen die Daten zustande? Können diese Informationen die Wahl des Modells leiten? Bei der Modellauswahl sollte es nicht nur um passende Daten gehen.