Valores P de regresión en una columna basados en los valores de otras columnasHola... Estoy tratando de encontrar una alternativa a la regla de Nelson número 3 (6 puntos aumentando o disminuyendo) que usa una regresión basada en un número de puntos sucesivos, un valor alfa y un valor p resultante para ayudarme a señalar cuando una señal es lo suficientemente grande como para superar el ruido. Esto se utilizaría para los tipos de gráficos de control de desgaste de herramientas.
Supongamos que tengo un conjunto de datos que se ve a continuación (por simplicidad) donde;
X es mi variable independiente e Y es la dependiente. Me gustaría calcular el valor P de la regresión de puntos sucesivos (N = 3 en el ejemplo siguiente) para ayudarme a comprender cuándo hay una señal lo suficientemente grande como para superar el ruido en la regresión.
Obviamente, los valores p están en la siguiente tabla para ser ejemplares.
Reconozco que N probablemente necesitará ser más grande (aunque, por supuesto, depende del tamaño de la señal).
¿Puedo crear un script que haga esto para que pueda jugar con N y alpha para ayudarme a entender cuándo la regresión es diferente a la nula? Realmente no me importa la anotación en el gráfico de control si puedo tener el valor p en la tabla.
Gracias
| X | Y | Valor p | Pendiente | Tamaño del subgrupo |
| 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 |
Tabla de datosScriptingRe: Regresión de valores P en una columna en función de los valores de otras columnasSería muy sencillo recorrer una tabla de datos y construir las matrices xey y luego realizar una regresión, usando la función Regresión lineal ().La decisión de qué valores colocar en las 2 matrices sería el elemento a variar.
Aquí está el ejemplo tomado del Índice de secuencias de comandos, para la función Regresión lineal ()
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>
