Fit Model 플랫폼에서 로그선형 분산 특성을 사용할 때 JMP Fit Model Profiler에서 예측 구간을 구현하는 방법에 대한 자세한 내용을 찾고 있었습니다. 도움말이나 인터넷에서 찾을 수 있는 정보와 비교하여 더 많은 정보를 제공해 주실 수 있나요? 예를 들어, 계산에 설계 행렬을 사용합니까? 이와 같이:
~와 함께
(문서에서 제가 놓친 부분입니다)
시그마 제곱(모자)이 모델 RSME인 경우(대수선형 분산의 경우 이는 하나의 설계 조건에 대해 예측된 RMSE인 것 같습니다) xh 새로운 디자인 조건. 나는 이것이 정확히 이것을 할 수 있는 놀랍도록 강력하기 때문에 그렇게 되기를 바랍니다.
또한 내 요점은 예측 역수(Prediction inverals)가 우리에게 필요한 것이라는 것입니다. 나는 과거에 (아주 오래 전에) 다음과 같이 말했습니다. 일반적으로 예측 프로파일러의 예측 간격은 이 강력한 도구에 궁극적인 추가 기능이 될 것입니다. 즉, 기본 다중 회귀 모델(표준 최소 제곱)은 대부분의 사용자가 사용하는 모델인데, 불행하게도 예측 간격을 사용할 수 없습니다! 또한 설계 행렬이나 자유도를 고려하지 않는 정규 분포(심지어 다변량 학생 분포와 같은 다중 응답 형태로 존재함) 대신 시뮬레이터에서도 이러한 학생 분포를 사용하는 것이 쉬울 것입니다! 그 이유는 대부분의 사람들이 DoE를 먼저 사용한 다음 논리적으로 자유도가 낮은 모델을 생각해 내기 때문입니다. 따라서 정규 근사치는 그다지 유효하지 않습니다.
참고로 많은 사람들은 결함 확률을 얻기 위한 시뮬레이터의 정규 분포가 좋지 않기 때문에 디자인 공간 계산(QbD 환경)에 JMP를 실제로 사용할 수 없습니다. 그런 다음 이를 수행하려면 일반적으로 R이나 SAS로 다시 돌아와야 하는데, 이는 불행하게도 엄청난 시간 손실입니다.
다시 열고 싶습니다. 이제 PI가 예측 프로파일러에서 사용 가능하므로 JMP 개발자는 사용할 학생 t 분포의 모양을 알고 있을 것입니다. 시뮬레이터에 추가하여 학생에서 시뮬레이션을 생성하고 df와 설계 행렬(위의 공식 참조)을 고려할 수 있다면 대단할 것입니다.
감사해요 !
