La idea es la siguiente. Un poco complejo, pero GENERALMENTE aplicable. Su dispositivo de medición SUPUESTAMENTE solo mide la propiedad A (campo magnético, pH, no importa). Responde, SUPUESTAMENTE, SÓLO a la propiedad A. Sin embargo, usted, el metrólogo entusiasta, se da cuenta de que esto es una falacia. En realidad, lamentablemente su dispositivo de medición también se ve afectado por la propiedad T (normalmente la temperatura). Supuestamente no. Pero su INVESTIGACIÓN muestra que su dispositivo VERDADERAMENTE es una función tanto de la propiedad A como de la propiedad T. Ha investigado para establecer el efecto T, cuantitativamente. Todo eso ya se ha hecho y es el historial previo que se requiere. Ahora, DE AHORA Y PARA SIEMPRE medirás la propiedad T siempre que utilices el dispositivo para medir la propiedad A. La medición de la propiedad T puede considerarse una "medición subsidiaria". Ahora tiene unas 20 muestras, cada una de las cuales necesita medir el valor de su propiedad A. Lo hace, pero ya sea para cada una de las 20 muestras o quizás cada 2 o cada 4, MIDE TAMBIÉN LA PROPIEDAD T. De su investigación sobre el tema mismo sabe cómo corregir el error sistemático en el informe de medición de la propiedad A. valores para cada muestra dada la medida subsidiaria de la propiedad T y SUS valores. INCLUSO SI tiene una medición T (piense en la temperatura) para cada muestra, ¿REALMENTE PIENSA que los valores T "REBOTANTES" son lo más cercanos a la verdad que puede obtener? Podrían estar más cerca de la verdad que la alternativa que estoy a punto de presentar, pero NO es probable. Así como la medición número 2 PODRÍA estar más cerca de la verdad que un promedio de 6 mediciones replicadas verdaderas, pero NO ES PROBABLE. ¿Cuál es la alternativa a los valores T "BOUNCY"? Valores T suavizados o con tendencia temporal. Especialmente por la temperatura. No esperamos que una tendencia temporal de la temperatura suba y baje. Por lo tanto, la tendencia suavizada es MÁS PROBABLE y más cercana a la verdad que los valores T BOUNCY OBSERVADOS. Sí, eso significa que también ha transcurrido el tiempo de medición para suavizar los valores T observados. El tiempo no suele ser un problema. Pero incluso simplemente suavizar por "número de secuencia" probablemente lo acerque más a la verdad sobre T (piense en la temperatura) que tomar valores elásticos tal como están. Y NO es una cuestión de "hacer bonito": el problema es utilizar VALORES T LO MÁS CERCANOS A LA VERDAD para EFECTUAR UNA COMPENSACIÓN/CORRECCIÓN DE ERRORES SISTEMÁTICA LO MÁS EXACTA POSIBLE. Necesita esa investigación histórica para saber cómo T afecta el informe del instrumento de la propiedad A; supuestamente, pero NO en realidad, "todo lo que le importa al instrumento". Pero una vez realizada la investigación, TAMBIÉN necesitará los mejores valores de T que pueda obtener. Se obtienen con ALISADO. El suavizado es MEJOR HACERLO, NO con spline (demasiado ondulado) o la terriblemente mala media móvil, sino con LOESS. Suma de cuadrados mejorada localmente (o suma de cuadrados mejorada localmente ponderada). Su único rival real son los mínimos cuadrados ponderados por distancia (ofrecido en Statistica). LOESS está en S+ (y probablemente en la versión gratuita R). ADEMÁS, si no obtuvo un valor T para TODAS Y CADA MUESTRA, necesitará interpolar LOESS (es decir, usar la regresión LOESS para estimar los valores T para la muestra para la cual [por cualquier motivo] no obtuvo medida T) PORQUE TODAS Y CADA MEDICIÓN DEL INMUEBLE A, EN VERDAD, REQUIEREN EN VALOR CORREGIR EL ERROR SISTEMÁTICO (con base en esa investigación). Perdón por un par de cosas: mi escritura inductiva, que avanza paso a paso hasta llegar al remate (así que, si lo lograste, regresa al principio y verás la lógica infatigable) y, en segundo lugar, la cierta falta de concreción. Esto último no es realmente tan malo, pero no quería ser muy específico porque darías una idea equivocada. TENDENCIA (SUAVIZACIÓN E INTERPOLACIÓN [si es necesario]) DE VALORES DE MEDICIÓN SUBSIDIARIAS PARA ACERCARSE A LA VERDAD DE ESOS VALORES CON EL FIN DE CORREGIR EL ERROR SISTEMÁTICO EN UNA MEDICIÓN TOTALMENTE DIFERENTE ES UN PRINCIPIO DE ESTADÍSTICA METROLÓGICA GENERALMENTE APLICABLE, pero es uno. He visto discutidos precisamente en NINGÚN LUGAR aparte de mis propios escritos. LOESS es la manera de hacer tendencias/suavizado/interploación; El segundo puesto es DWLS (mínimos cuadrados ponderados por distancia [en Statistica]). Finalmente, LOESS, como S+ implementado, es MUY robusto contra valores atípicos y, de hecho, te acercas más a la verdad a través de LOESS. Por lo tanto, realizaría la compensación/corrección más EXACTA en los informes de la propiedad A.
Hola, Mark,
Las versiones recientes de JMP tienen LOESS y mínimos cuadrados ponderados por distancia.
En Bivariante, el submenú Flexible tiene LOESS como "Kernel Smoother" y el submenú Robusto incluye un par de métodos para la reponderación automática de valores atípicos.
No sé cómo EDITAR una publicación.Así que hay algunos errores tipográficos en la descripción.Por favor, no dejes que te molesten
