Die Idee ist folgende. Etwas kompliziert, aber ALLGEMEIN anwendbar. Ihr Messgerät misst ANGEBLICH nur Eigenschaft A (Magnetfeld, pH-Wert, spielt keine Rolle). Es reagiert ANGEBLICH NUR auf Eigenschaft A. Sie als eifriger Metrologe erkennen jedoch, dass dies ein Irrtum ist. Tatsächlich wird Ihr Messgerät leider auch von Eigenschaft T (normalerweise Temperatur) beeinflusst. Angeblich nicht. Aber Ihre FORSCHUNG zeigt, dass Ihr Gerät WIRKLICH sowohl von Eigenschaft A als auch von Eigenschaft T abhängig ist. Sie haben Forschung betrieben, um den T-Effekt quantitativ festzustellen. Das ist alles bereits geschehen und stellt den Hintergrund dar, der erforderlich ist. Von nun an und für immer sollst Du Eigenschaft T messen, wann immer Du das Gerät zur Messung von Eigenschaft A verwendest. Die Messung von Eigenschaft T kann als „Nebenmessung“ betrachtet werden. Jetzt haben Sie selbst etwa 20 Proben – bei jeder muss der Wert ihrer Eigenschaft A gemessen werden. Sie tun dies, aber entweder für jede einzelne der 20 Proben oder vielleicht für jede 2. oder 4. MESSEN SIE AUCH DIE EIGENSCHAFT T. Aus Ihrer Recherche zu diesem Thema wissen Sie, wie Sie den systematischen Fehler im Messbericht der Eigenschafts-A-Werte für jede Probe korrigieren können, wenn Sie die untergeordnete Messung der Eigenschaft T und IHRE Werte berücksichtigen. SELBST WENN Sie eine T-Messung (denken Sie an die Temperatur) für jede Probe haben, GLAUBEN Sie WIRKLICH, dass die „FEHLENDEN“ T-Werte so nah an der Wahrheit sind, wie es nur geht? Sie könnten näher an der Wahrheit sein als die Alternative, die ich Ihnen gleich vorstellen werde, aber das ist NICHT wahrscheinlich. Genauso wie Messung Nr. 2 der Wahrheit möglicherweise näher sein KÖNNTE als ein Durchschnitt von 6 echten Wiederholungsmessungen – aber das ist NICHT WAHRSCHEINLICH. Was ist die Alternative zu den „FEHLENDEN“ T-Werten? Zeitlich tendierte oder geglättete T-Werte. Insbesondere für die Temperatur. Wir erwarten nicht, dass ein zeitlicher Temperaturtrend auf und ab springt. Der geglättete Trend ist also WAHRSCHEINLICHER näher an der Wahrheit als die BEOBACHTETEN FEHLENDEN T-Werte. Ja, das bedeutet, dass auch Zeit vergangen ist, um die beobachteten T-Werte zu glätten. Die Zeit ist normalerweise unproblematisch. Aber selbst wenn Sie nur nach „Sequenznummer“ glätten, kommen Sie der Wahrheit über T (denken Sie an die Temperatur) wahrscheinlich näher, als wenn Sie die ungleichmäßigen Werte unverändert nehmen. Und es geht NICHT darum, „schön zu machen“: Das Problem besteht darin, T-Werte zu verwenden, die so nahe an der Wahrheit liegen, um eine MÖGLICHST GENAUE SYSTEMATISCHE FEHLERKOMPENSATION/-KORREKTUR ZU ERZIELEN. Sie benötigen diese historische Forschung, um zu wissen, wie sich T auf den Gerätebericht von Eigenschaft A auswirkt – angeblich, aber NICHT tatsächlich, „alles, was das Gerät interessiert“. Aber wenn diese Forschung abgeschlossen ist, benötigen Sie AUCH die besten T-Werte, die Sie bekommen können. Diese werden durch GLÄTTEN erreicht. Glätten wird AM BESTEN NICHT mit Spline (zu wackelig) oder dem schrecklich schlechten gleitenden Durchschnitt durchgeführt, sondern mit LOESS. Lokal verbesserte Summe der Quadrate (oder lokal gewichtete verbesserte Summe der Quadrate). Sein einziger echter Rivale ist Distance-Weighted Least Squares (angeboten in Statistica). LOESS ist in S+ (und wahrscheinlich in der Freeware-Version R). AUSSERDEM müssen Sie, wenn Sie nicht für JEDE EINZELNE PROBE einen T-Wert erhalten haben, LOESS-interpolieren (das heißt, die LOESS-Regression verwenden, um T-Werte für Proben zu schätzen, für die Sie [aus welchem Grund auch immer] T nicht gemessen haben), WEIL JEDE EINZELNE MESSUNG FÜR EIGENSCHAFT A IN WAHRHEIT EINEN WERT ERFORDERT, UM DEN SYSTEMATISCHEN FEHLER ZU BEHEBEN (basierend auf dieser Forschung). Entschuldigen Sie ein paar Dinge: mein induktives Schreiben – ich gehe Schritt für Schritt vor, was alles zur Pointe führt (wenn Sie es also geschafft haben, gehen Sie zurück zum Anfang und sehen Sie sich die unermüdliche Logik an) und zweitens der gewisse Mangel an Konkretheit. Letzteres ist nicht wirklich schlimm, aber ich wollte nicht zu sehr, sehr spezifisch werden, weil Sie sonst den falschen Eindruck bekommen würden. Die Trendermittlung (Glättung und Interpolation [falls erforderlich]) von Nebenmesswerten, um der Wahrheit dieser Werte näher zu kommen, um systematische Fehler bei einer völlig anderen Messung zu beheben, ist ein allgemein anwendbares messtechnisches Statistikprinzip – und doch habe ich es nirgendwo anders als in meinen eigenen Schriften diskutiert gesehen. LOESS ist die Methode zur Trendermittlung/Glättung/Interpolation; der Zweitplatzierte ist DWLS (Distance-Weighted Least Squares [in Statistica]). Schließlich ist LOESS, wie in S+ implementiert, SEHR robust gegenüber Ausreißern und Sie kommen der Wahrheit tatsächlich am nächsten. Sie würden also die GENAUESTE Kompensation/Korrektur an Eigenschaft-A-Berichten vornehmen.
Hallo Mark,
Neuere Versionen von JMP haben sowohl LOESS als auch abstandsgewichtete kleinste Quadrate.
In Bivariat enthält das Untermenü „Flexibel“ LOESS als „Kernel Smoother“, und das Untermenü „Robust“ enthält einige Methoden zur automatischen Neugewichtung von Ausreißern.
Ich weiß nicht, wie ich einen Beitrag BEARBEITEN soll.Es sind also ein paar Tippfehler in der Beschreibung.Bitte lass sie dich nicht stören
