Regressione dei valori P in una colonna in base ai valori di altre colonneCiao... Sto cercando di trovare un'alternativa alla regola di Nelson numero 3 (6 punti in aumento o in diminuzione) che utilizzi una regressione basata su un numero di punti successivi un valore alfa e un valore p risultante per aiutarmi a segnalare quando un segnale è abbastanza grande da superare il rumore. Questo dovrebbe essere usato per i tipi di usura degli utensili delle carte di controllo.
Supponiamo di avere un set di dati che appare come sotto (per semplicità) dove;
X è la mia variabile indipendente e Y è la dipendente. Vorrei calcolare il valore P della regressione dei punti successivi (N=3 nell'esempio sotto) per aiutarmi a capire quando c'è un segnale abbastanza grande da superare il rumore in regressione.
Ovviamente, i valori di p sono nella tabella seguente per essere esemplificativi
Riconosco che N probabilmente dovrà essere più grande (sebbene, ovviamente, dipenda dalla dimensione del segnale).
Posso creare uno script che lo faccia in modo da poter giocare con N e alfa per aiutarmi a capire quando la regressione è diversa dal null? Non mi interessa molto l'annotazione sul grafico di controllo se posso avere il valore p nella tabella.
Grazie
| X | sì | Valore P | Pendenza | Dimensione del sottogruppo |
| 1 | 3 | | | |
| 2 | 6 | | | |
| 3 | 9 | 0.05 | | 3 |
| 4 | 12 | 0.05 | | 3 |
| 5 | 12 | 0.1 | | 3 |
| 6 | 12 | 0,54 | | 3 |
| 7 | 11 | 0,5 | | 3 |
| 8 | 13 | 0.1 | | 3 |
| 9 | 15 | 0.07 | | 3 |
| 10 | 17 | 0.05 | | 3 |
Tabella datiScriptingRe: Regressione dei valori P in una colonna in base ai valori di altre colonneSarebbe una cosa semplice scorrere una tabella di dati e costruire le proprie matrici x e y e quindi eseguire una regressione, utilizzando la funzione Regressione lineare ().La decisione di quali valori inserire nelle 2 matrici sarebbe l'elemento da variare.
Ecco l'esempio tratto dallo Scripting Index, per la funzione Regressione lineare()
Names Default To Here( 1 );
/*Simple Linear Regression: y = intercept + beta * x + error*/
y = [3, 5, 7, 5];
X = [1, 2, 3, 4];
{Estimates, Std_Error, Diagnostics} =
Linear Regression( y, X, <<PRINTTOLOG></PRINTTOLOG>
