L'idée est la suivante. Un peu complexe, mais GÉNÉRALEMENT applicable. Votre appareil de mesure mesure prétendument uniquement la propriété A (champ magnétique, pH, n'a pas d'importance). Il répond, prétendument, UNIQUEMENT à la propriété A. Cependant, vous, métrologue passionné, réalisez que c'est une erreur. Malheureusement, votre appareil de mesure est également affecté par la propriété T (généralement la température). Apparemment non. Mais votre RECHERCHE montre que votre appareil est VRAIMENT fonction à la fois de la propriété A ET de la propriété T. Vous avez effectué des recherches pour établir l'effet T - quantitativement. Tout cela a été fait et c'est l'historique qui est requis. Désormais, désormais et pour toujours, tu mesureras la propriété T chaque fois que tu utiliseras l'appareil pour mesurer la propriété A. La mesure de la propriété T peut être considérée comme une « mesure subsidiaire ». Vous disposez maintenant d'une vingtaine d'échantillons, chacun nécessitant une mesure de la valeur de leur propriété A. Vous le faites, mais soit pour chacun des 20 échantillons, soit peut-être tous les 2 ou tous les 4, vous MESUREZ AUSSI LA PROPRIÉTÉ T. Grâce à vos recherches sur le sujet même, vous savez comment corriger l'erreur systématique dans le rapport de mesure de la propriété A. valeurs pour chaque échantillon étant donné la mesure subsidiaire de la propriété T et LEURS valeurs. MÊME SI vous avez une mesure T (pensez à la température) pour chaque échantillon, PENSEZ-VOUS VRAIMENT que les valeurs T « BOUNCY » sont aussi proches que possible de la vérité. Ils pourraient être plus proches de la vérité que l’alternative que je m’apprête à présenter, mais PEU probable. Tout comme la mesure n°2 POURRAIT être plus proche de la vérité qu'une moyenne de 6 vraies mesures répétées - mais ce n'est PAS PROBABLE. Quelle est l'alternative aux valeurs T "BOUNCY" ? Valeurs T tendancielles ou lissées. Surtout pour la température. Nous ne nous attendons pas à ce qu’une tendance temporelle de la température fluctue de haut en bas. Ainsi, la tendance lissée est PROBABLEMENT plus proche de la vérité que les valeurs OBSERVED BOUNCY T. Oui, cela signifie que vous avez également pris du temps pour mesurer afin de lisser les valeurs T observées. Le temps ne pose généralement pas de problème. Mais même un simple lissage par "numéro de séquence" vous rapproche probablement de la vérité sur T (pensez à la température) plutôt que de prendre des valeurs rebondissantes telles quelles. Et ce n'est PAS une question de « faire joli » : le problème est d'utiliser des VALEURS AUSSI PROCHES DE LA VÉRITÉ pour EFFECTUER UNE COMPENSATION/CORRECTION D'ERREUR SYSTÉMATIQUE LA PLUS PRÉCISE QUE POSSIBLE. Vous avez besoin de cette recherche historique pour savoir comment T affecte le rapport de l'instrument de la propriété A - prétendument, mais PAS en réalité, "tout l'instrument s'en soucie". Mais une fois cette recherche effectuée, vous avez ÉGALEMENT besoin des meilleures valeurs T possibles. Ceux-ci s'obtiennent par LISSAGE. Le lissage est MIEUX FAIT, PAS avec une spline (trop ondulée) ou une moyenne mobile horriblement mauvaise, mais avec LOESS. Somme des carrés améliorée localement (ou somme des carrés améliorée pondérée localement). Son seul véritable rival est les moindres carrés pondérés par la distance (proposés dans Statistica). LOESS est en S+ (et probablement en version freeware R). DE PLUS, si vous n'avez pas obtenu de valeur T pour CHAQUE ÉCHANTILLON, vous devrez effectuer une interpolation LOESS (c'est-à-dire utiliser la régression LOESS pour estimer les valeurs T pour l'échantillon pour lequel [pour une raison quelconque] vous n'avez pas obtenu mesure T) PARCE QUE CHAQUE MESURE DE LA PROPRIÉTÉ A, EN VÉRITÉ, EXIGE UNE VALEUR POUR CORRIGER L'ERREUR SYSTÉMATIQUE (sur la base de cette recherche). Désolé pour quelques choses : mon écriture inductive -- en procédant étape par étape, tout cela mène à la punchline (donc, si vous l'avez fait, retournez en haut et voyez la logique infatigable) et deuxièmement, le manque quelque peu de le concret. Ce dernier n'est pas vraiment trop mauvais, mais je ne voulais pas être très précis car vous vous tromperiez. LA TENDANCE (LISSAGE ET INTERPOLATION [si besoin est]) DES VALEURS DE MESURES SUBSIDIAIRES POUR SE Rapprocher de la VÉRITÉ DE CES VALEURS DANS LE BUT DE CORRIGER L'ERREUR SYSTÉMATIQUE SUR UNE MESURE ENTIÈREMENT DIFFÉRENTE EST UN PRINCIPE DE STATISTIQUE MÉTROLOGIQUE GÉNÉRALEMENT APPLICABLE - et pourtant c'en est un que je' J’en ai vu discuté précisément nulle part ailleurs que dans mes propres écrits. LOESS est le moyen d'effectuer la tendance/lissage/interploation ; le finaliste est DWLS (moindres carrés pondérés par la distance [dans Statistica]). Enfin, LOESS, tel qu'implémenté par S+, est TRÈS robuste contre les valeurs aberrantes et vous vous rapprochez en effet de la vérité via LOESS. Ainsi, vous effectuerez la compensation/correction la plus PRÉCISE aux rapports de propriété A.
Salut Mark,
Les versions récentes de JMP ont à la fois LOESS et les moindres carrés pondérés par la distance.
Dans Bivariate, le sous-menu Flexible a LOESS comme "Kernel Smoother" et le sous-menu Robust inclut quelques méthodes pour la repondération automatique des valeurs aberrantes.
Je ne sais pas comment EDITER une annonce.Il y a donc quelques fautes de frappe dans la description.S'il vous plaît ne les laissez pas déranger votre
