连续温度数据控制图你好，
我在鸡身上进行了压力实验。 我已经监测了 7 天的腿部温度。 例如，我引入了一个响亮的声音来查看腿部温度会发生什么（我们预计它会在压力源感应后下降）。
我在压力源感应前 2 分钟和压力源感应后 2 分钟提取了温度。 所以我有一个包含 7001 个数据点的向量，因为温度传感器的采样频率是 25 Hz。 我正在尝试建立这个温度矢量的控制图，但它没有给出好的结果...... 在附件中，您可以找到我的数据向量和我尝试构建的控制图... 谁能帮帮我吗？
谢谢你。
亲切的问候，
山姆。
回复：连续温度数据控制图我不会坐在这里处理您的数据，但可能有趣的尝试是：
分析>专业建模>拟合曲线
红色小三角菜单，指数增长和衰减>拟合细胞生长 4p
或者也许是药代动力学模型之一？
如果您碰巧有 JMP Pro，我肯定会尝试使用 Functional Data Explorer 来拟合曲线。
然后你可以包括强度、频率、刺激之间的持续时间等作为补充变量来研究它们对响应曲线的影响，而不仅仅是曲线参数。
回复：连续温度数据控制图首先，您需要了解“Shewhart 类型”控制图回答的问题。
1.是子组内的变异（由于变量，x 在子组内发生变化）一致，稳定？ 这个问题用范围图来回答。 如果 x 在子组内几乎没有机会发生变化，则平均范围（以及作为范围 D4R-bar 的函数的控制限制）将非常小，并且相应的控制限制非常严格。
2.是子组变异之间的变异（由于子组之间的变量变化）超过子组内变异预测的？X 条形图上的控制限是子组内变异 (+/- A2R-bar) 的函数。 或者，本质上哪个变异来源更大。
理性分组的概念非常重要，尽管很难概括（因此也很难教授）。 如果您使用控制图来划分和分配变异源（变异研究的组成部分），那么您可以选择子组来描述您认为可能影响响应的变量子集（我建议您有支持您的选择的科学假设）。 您可以通过选择子组大小和子组内度量的频率来执行此操作。 根据戴明的说法，范围图将回答这些来源是否随机、常见原因等问题。 如果是，则可以量化该来源，并且该来源（变量的子集）可以作为与您有兴趣研究的其他变异来源进行比较的基础。 那些其他变异来源（根据您的假设再次选择的另一个变量子集）将在子组之间的抽样中暴露出它们的变异。 关键是选择能够增加这些变量确实发生变化的可能性的采样间隔。 X 条形图（实际上更可能是 Y 条形图，因为您可能绘制的是 Y，而不是 x）是比较图。 它将子组内（控制限）与子组间（平均值的绘图值）进行比较。 “失控”点表明变异源之间的影响比内部来源更大。
对于您的情况，分组的选择似乎是任意的，而不是基于假设。 变化是如此之小，控制图失去了能够分离变化来源的效用。 重新考虑您的分组策略是否合适。
回复：连续温度数据控制图控制图可能不适用于此数据。
- 控制图假设一个稳定的过程，并且不断变化。
- 特殊原因引起的扰动会扰乱稳定性，但并不常见。
- 在收集将用于建立控制限度的数据时不存在特殊原因。
- 控制图假定大多数子组仅显示常见原因变异。 在这种情况下，您会期望吗？
- 控制图假定测量值是独立的。
- 当以 25 Hz 采样时，温度读数不可能是独立的。
- 为了独立，实际温度波动必须以该速率的一半发生。
- 控制图区分需要在控制下限和上限之间至少有五个级别的变化才有用。
随着时间的推移收集数据自然建议至少使用运行图来直观检查数据，但添加控制图功能似乎并不合适。
您可以尝试 Functional Data Explorer 并将数据视为函数。 这种方法将提供功能原理组件，然后可以将其用作新的反应与治疗（正常与休克）和随机效应，如鸟类（受试者）等等，假设您已经多次收集了多只鸟类的此类数据。
我没有任何其他建议。 不过，社区中有很多聪明人，所以您可能会在这里得到一些其他的想法。
