繰り返し測定する際に、どのデータがランダムとして脅威にさらされるべきかを判断するのに助けが必要こんにちは。
誰かがこれを手伝ってくれるか、私がここで良い道を進んでいることを確認できますか？
月（1月から3月まで）、月の日（1から31まで）、シフト（1から3まで）、シフト内の総エネルギー消費量（これは従属変数）、および作業時間を含む長い形式のデータがありますシフト内の12の異なるシステム（マシン）の時間単位（0から8時間）。
各システムのエネルギー消費量を調べ、各システムの予想稼働時間に基づいて将来の予想エネルギー消費量を予測できるようにしたいと考えています。
繰り返される対策があるので、混合モデルは私にとって適切であるように思われます。 今、私は私が固定された、ランダムな、そして繰り返されるmasureとして扱うべきものを発行しました。
1年以内のすべての月のサンプル（3か月）しか含まれていないため、月をランダムに考えています。 また、観察はランダムではなく、連続的です。 これは問題になる可能性がありますか？
私は日を見て、1か月以内にすべての日とシフトをカバーするので、固定としてシフトします。 これは適切なアプローチですか？
反復構造についてその日は反復測定すべきだと思いますが、どのような構造が適切ですか？
また、何をどのようにネストする必要があるかを説明してください。 ネスティングは数日、数ヶ月以内の日にシフトすると思います。 これはできますか？ どうすればいいですか？
これは私の直感的な考え方です。フィードバックとヘルプを送っていただければ幸いです。 また、これがJMPでの私の最初の経験であるため、ネストする方法のチュートリアルを共有することは高く評価されます。
皆さん、ありがとうございました
分析他のウィンドウズRe：繰り返し測定でランダムとして脅威にさらされるべきデータを決定するのに助けが必要こんにちは@ MachineHippo109 、
興味深い問題のように聞こえます。 JMPファイルでデータを共有できますか？ データテーブルの構造は、私自身で何かを構成し、それが正しいデータ構造を持っていることを確認するために少し複雑に聞こえます。
異なるシフトで0〜8時間動作する、12台の異なるマシンで時系列データを収集しているようです。 これは、多くの異なるアプローチを使用してモデル化できます。 1つのアプローチは、時系列予測を行うことです。 もう1つは、NNまたはBoosted Treesである可能性があります。あるいは、GenRegモデルでさえデータに適合させるのに適している可能性があります。 でも、総稼働時間に基づいて、各マシンの将来の消費電力を予測しようとしているようですね。
試してみて、どのモデリング方法が最適かを確認したいと思います。 間違いなく行う必要があることの1つは、可能な限り最高のモデルを使用できるように、データをトレーニング/検証/テストセットに分割することです。 または、同様の相関構造でデータをシミュレートして、シミュレートされたデータを使用してモデルをトレーニングし、実際のデータでテストできるようにする必要があります。
あなたがデータを共有することができれば、私はいくつかのことを試みて、私が見つけたものをあなたに知らせるかもしれません。
楽しそう！、
DS
Re：繰り返し測定でランダムとして脅威にさらされるべきデータを決定するのに助けが必要こんにちはSDF1そしてあなたの速い返事をありがとう。
残念ながら、インターンシップ先の会社からの実際のデータであるため、データを共有することはできません。 ただし、データは次のようになります。
月日シフト消費量MWhSystem1 in Hr System2 in Hr System3 in Hr......。
1 1 1 3.8 8 2 5......。
1 1 2 3.2 8 6 6......。
私は各システムがどれだけのエネルギーを消費するかにもっと興味があり、もちろん計画された生産/作業時間に基づいて将来の消費を予測します。
Re：繰り返し測定でランダムとして脅威にさらされるべきデータを決定するのに助けが必要数年前、私はリソースプランニングモデルで顧客を支援しました。 彼らは、プロジェクトリーダーが複雑さやイノベーションレベルなどを入力できるプロジェクト計画を立てており、プロジェクトを完了するために必要なリソースと時間を想定したいと考えていました。 彼らがプロジェクトリーダーの経験によってそれを行う前に、新しいモデルはほとんどすべての場合で彼らをはるかに上回っていたことが判明しました。
プロジェクトのさまざまなフェーズに時間を費やし、以前のデータと実際の長さから各フェーズに関与するリソース（人）がいました。
成功の秘訣は、モデル全体がうまく機能しなかったため、さまざまなシナリオの適切な予測子を見つけるためのクラスタリング手順（ここでは潜在クラス分析）でした。
次に、クラスターシナリオごとにモデルを作成し、検証セットとテストセットを使用して最適なモデルを見つけ、見えないデータに対してテストしました。
モデリングプロセスでは、ブートストラップフォレスト、さまざまな方法（ラッソ、エラスティックネットなど）を使用した一般化回帰、ニューラルネットなど、JMPProのさまざまな戦略を比較しました。 これらを比較することは、あるモデルのパフォーマンスが向上する可能性のある欠陥や状況（およびその理由）を理解するために重要でした（場合によっては、あまり関心がない設定であったため、他のモデルに対してより優れたパフォーマンスを発揮するモデルが選択されます。全体的なパフォーマンスが少し低かった場合）。
最後に、クラスター化されたシナリオのモデルを用意し、適切なモデルを使用して、プロジェクトの設定に基づいて時間スケールとリソース計画を予測しました。
あなたの状況への移行はそれほど難しいことではないと思います。 私が指摘したいのは、モデリングプロセスに直接入る前に、まずデータを理解する必要があるということです。 その潜んでいる変数に対して同じパラメータ設定に対して異なる出力を生成するシナリオ（ラインまたはテスト機器のように、まだデータにない可能性があります...）があるかもしれません。 すべてのデータを1つの大きなバスケットにまとめると、予測が悪くなる可能性があります。
Re：繰り返し測定でランダムとして脅威にさらされるべきデータを決定するのに助けが必要やあ@ MachineHippo109 、
問題は非常に単純に聞こえますが、JMP内のさまざまなプラットフォームを使用してデータを調査する必要があります。 たとえば、GenReg、決定木、SVM、NN、KNN、PLS、および標準の最小二乗法などを評価します。 あなたのデータ構造は時系列分析/予測に適した形式ではないと思います。 時系列プラットフォームでは、観測値（行）ごとに一意の時間識別子が必要です。 したがって、シフト1、2、3をすべて1日目（など）に設定しても機能しません。
共有した構造に基づくと、各システム（1〜12）は、特定の日の特定のシフト中に0〜8時間稼働しており、消費電力はすべてのシステムの合計電力消費量です。
モデルを開発するときに、標準のFit Modelプラットフォームを使用する場合は、同僚と考えたり相談したりして、モデルに交差した（混合された）用語を含める必要がある/必要がある理由があるかどうかを確認することをお勧めします。 たとえば、systemX Hrsとシフトの間にいくつかの交差する用語があることを知っているかもしれません。たとえば、System5はシフト3では常に少なくとも6時間実行されますが、他の2つのシフトでは4時間未満実行されます。 これにより、シフト時間とシステム使用時間が混在する効果が発生します。 そのような相互作用が存在するという事前の証拠がない限り、それを投入することはお勧めしません。
前述のように、データ（Power in MWh）を少なくともトレーニングセットと検証セットに分割し、トレーニングセットと検証セットが全体で等しく表されるように、PowerとShiftの両方でデータを階層化する必要があります。シフトし、システム時間の使用について同じ分布を維持します。 1月と2月と同じ構造の模擬データテーブルを添付しました。 私が作成した検証列は、PowerとShiftの両方で階層化されており、分布を調べて、データがどのように分割されているかを確認できます（75％のトレーニングと25％の検証）。 60/20/20分割60％トレーニング、20％検証、20％テストを実行してから、さまざまなモデルを比較するためにテストデータを分割（サブセット化）することを検討することもできます。
最終的には、いくつかの異なるプラットフォームでモデルを探索し、各モデルとの適合を最適化する必要があります。 複数のモデルを生成したら、保留された「テスト」セットで各モデルを評価することにより、どれが最高のパフォーマンスを発揮するかを確認する必要があります。これは、モデルのトレーニングや検証に使用されないデータです。 最高のパフォーマンスを発揮するモデルは、会社に導入したいモデルです。
スレッドのタイトルに戻るには、モデルにランダム効果を含める必要があるようには思えません。 データをランダムに扱う必要はないと思います。
お役に立てれば！、
DS
