L'idea è la seguente. Un po' complicato, ma GENERALMENTE applicabile. Il tuo dispositivo di misurazione misura PRESSIBILMENTE solo la proprietà A (campo magnetico, pH, non hanno importanza). Risponde, PRESUNTAMENTE, SOLO alla proprietà A. Tuttavia, tu, l'appassionato metrologo, ti rendi conto che questo è un errore. In realtà il vostro dispositivo di misurazione, sfortunatamente, è influenzato anche dalla proprietà T (tipicamente la temperatura). Presumibilmente no. Ma la tua RICERCA mostra che il tuo dispositivo VERAMENTE è una funzione sia della proprietà A CHE della proprietà T. Hai svolto ricerche per stabilire l'effetto T - quantitativamente. Tutto questo è stato fatto ed è la storia di fondo che è richiesta. Ora, D'ORA IN POI E PER SEMPRE, misurerai la proprietà T ogni volta che usi il dispositivo per misurare la proprietà A. La misurazione della proprietà T può essere considerata una "misurazione sussidiaria". Ora hai circa 20 campioni, ognuno dei quali necessita della misurazione del valore della proprietà A. Lo fai, ma o per ognuno dei 20 campioni o forse ogni 2 o ogni 4 MISURI ANCHE LA PROPRIETÀ T. Dalla tua ricerca proprio sull'argomento sai come correggere l'errore sistematico nel rapporto di misurazione della proprietà A valori per ciascun campione data la misurazione sussidiaria della proprietà T e i LORO valori. ANCHE SE hai una misurazione T (pensa alla temperatura) per ogni campione PENSI VERAMENTE che i valori T "RIMBALTATIVI" siano il più vicino possibile alla verità. Potrebbero essere più vicini alla verità dell'alternativa che sto per presentare, ma NON è probabile. Proprio come la misurazione n. 2 POTREBBE essere più vicina alla verità rispetto a una media di 6 misurazioni replicate, ma NON È PROBABILE. Qual è l'alternativa ai valori T "BOUNCY"? Valori T con andamento temporale o livellati. Soprattutto per la temperatura. Non ci aspettiamo che la tendenza temporale della temperatura rimbalzi su e giù. Quindi il trend livellato è PIÙ PROBABILE più vicino alla verità rispetto ai valori T di RIMBALZO OSSERVATI. Sì, ciò significa che è trascorso anche del tempo per misurare per livellare i valori T osservati. Il tempo di solito non è problematico. Ma anche il semplice livellamento tramite "numero sequenziale" probabilmente ti avvicina alla verità su T (pensa alla temperatura) piuttosto che prendere valori rimbalzanti così come sono. E NON è una questione di "fare bella": il problema è utilizzare VALORI T PIÙ VICINI ALLA VERITÀ per EFFETTUARE UNA COMPENSAZIONE/CORREZIONE DEGLI ERRORI SISTEMATICI PIÙ ACCURATA POSSIBILE. Hai bisogno di quella ricerca storica per sapere in che modo T influisce sul rapporto dello strumento della proprietà A - presumibilmente, ma NON in realtà, "tutto ciò che interessa allo strumento". Ma una volta terminata la ricerca, hai ANCHE bisogno dei migliori valori T che puoi ottenere. Quelli si ottengono con SMOOTHING. Lo smussamento è FATTO MEGLIO, NON con la spline (troppo sinuosa) o la media mobile orribilmente pessima, ma con LOESS. Somma dei quadrati potenziata localmente (o Somma dei quadrati potenziata ponderata localmente). Il suo unico vero rivale sono i minimi quadrati ponderati per la distanza (offerti in Statistica). LOESS è in S+ (e probabilmente la versione freeware R). INOLTRE, se non hai ottenuto un valore T per OGNI CAMPIONE, dovrai effettuare l'interpolazione LOESS (ovvero, utilizzare la regressione LOESS per stimare i valori T per il campione per il quale [per qualsiasi motivo] non hai ottenuto misura T) PERCHÉ OGNI MISURAZIONE PER L'IMMOBILE A, IN VERITÀ, RICHIEDE AL VALORE DI RISOLVERE L'ERRORE SISTEMATICO (sulla base di tale ricerca). Mi dispiace per un paio di cose: la mia scrittura induttiva - che procede passo dopo passo e porta alla battuta finale (quindi, se ce l'hai fatta, torna all'inizio e osserva la logica instancabile) e in secondo luogo, la mancanza di concretezza. Quest'ultima cosa non è poi così male, ma non volevo entrare molto nello specifico perché ti avresti fatto un'idea sbagliata. L'ANDAMENTO (LIVELLAMENTO E INTERPOLAZIONE [se necessario]) DEI VALORI DI MISURAZIONE SUSSIDIARI PER AVVICINARSI ALLA VERITÀ PER QUEI VALORI AL FINE DI CORREGGERE UN ERRORE SISTEMATICO A UNA MISURAZIONE COMPLETAMENTE DIVERSA È UN PRINCIPIO DI STAZIONE METROLOGICA GENERALMENTE APPLICABILE - eppure è uno di quelli ne ho visto discutere esattamente DA NESSUNA PARTE se non nei miei scritti. LOESS è il modo per eseguire il trending/smooting/interploation; il secondo classificato è DWLS (minimi quadrati ponderati per la distanza [in Statistica]). Infine, LOESS, poiché S+ -implementato è MOLTO robusto contro i valori anomali e in effetti ti avvicini di più alla verità tramite LOESS. Quindi apporterai la compensazione/correzione più ACCURATA ai report della proprietà A.
Ciao Mark,
Le versioni recenti di JMP hanno sia LOESS che i minimi quadrati ponderati per la distanza.
In Bivariate, il sottomenu Flexible ha LOESS come "Kernel Smoother" e il sottomenu Robust include un paio di metodi per la riponderazione automatica dei valori anomali.
Non so come MODIFICARE un intervento. Quindi ci sono alcuni errori di battitura nella descrizione. Per favore, non lasciare che ti disturbino
