如何在模型中正確考慮事件？大家好，
我想諮詢你的建模。
我有一個帶有響應 Y 和參數 X1、X2、X3 等的過程。
對過程的分析歷時 3 年。 我現在想收集所有數據來分析整個過程。 問題是與工藝相關的機器在這3年中經歷了一些變化，甚至出現了一些危害。 在特定日期，它們都被標識為 Evt_A、Evt_B、Evt_C。 為了得到良好的Y建模，我想不僅考慮參數X1，X2，X3等，還要考慮事件A，B，C等，以了解它們是否有真正的影響和量化他們的影響。 目前，我已將事件作為分類列引入，其值為 -1 和 +1，-1 表示“事件發生前”，+1 表示“事件發生後”。
我問自己以下問題：
1. 這是唯一的方法嗎？
2. 這是正確的方法嗎？
3. 如何在擬合模型平台中正確引入這些事件？ 我應該使用特定屬性嗎？ 交互可能嗎？
我提前感謝你能給我的所有幫助。
真摯地，
斯蒂芬·喬治
分析回复：如何在模型中正確考慮事件？我的一個問題是這些事件是否都是不同的，或者它們是否可以聚合？就個人而言，我會將事件編碼為 (0,1)，如果可以將它們視為相同，則可以將事件簡化為單個變量，指示它是否是事件時間。如果它們都不同，那麼我懷疑每個事件都需要不同的指標變量。另一個問題是事件是否僅限於它發生的時間，或者事件時間之前或之後的時間段是否會受到事件的影響。換句話說，如果與事件時間的接近很重要，那麼我將根據它們與事件時間的距離來編碼所有時間段（例如 -3、-2、-1、0、1、2、3） .如果您可以提供有關事件性質及其影響的更多詳細信息，那麼我認為討論適當的建模選擇會更容易。我使用了事件分析——但應用於監管事件而不是機器事件。在這種情況下，重要的是不要過分關注實際事件時間，因為監管“事件”通常在很大程度上是可以預料的。當無法預見的政治“事件”發生時，指標變量方法更有意義。我懷疑機器事件更加離散，但這仍然取決於這些“事件”的性質。
回复：如何在模型中正確考慮事件？嗨，戴爾，
謝謝您的回答。 我會嘗試更明確。
我有一個我正在嘗試建模的激光焊接工藝。 在過去的 3 年中，我在我們的機器上使用各種等級和厚度的材料進行了超過 25 次 DoE。 我收集了所有這些知識和經驗，以便創建焊接模型來正確預設機器。
在這 3 年中，這台機器在技術上繼續小步發展。 在不同的時間，已經發生了變化（例如設計），可能會影響（或不影響）激光焊接現象。 因此，並非所有測試都是在相同條件下進行的。 我想考慮它們以評估它們的影響，並儘可能地消除它們，以便回到純焊接參數的影響。 因此，即使事件是準時的，它們的影響也會在時間上持續存在。 這就是為什麼我在談論之前和之後。 我同意以 0/1 形式考慮效果（0：效果不存在，1：效果存在）。
因此，及時我們可以：
.....................T1....................... T2………………………………………………………………………………………………………………………………
-------------------------------------------------- -------------------------------------------
答：000000000000111111111111111111111111111111111111111
B: 0000000000000000000000000011111111111111111111111
在 T1 之前，測試獨立於事件 A 和 B 的影響。 在 T1 之後，測試中必須考慮事件 A 的影響 在 T1 和 T2 日期之後，必須考慮 A 和 B 的影響。 日期本身並不重要，我感興趣並想評估的是 A、B 等的影響。
回复：如何在模型中正確考慮事件？如果事件在某種意義上“相等”，我會簡單地記錄在每個時間點應用的事件數。然而，似乎每個事件都有其獨特的特徵。這意味著您需要一個更複雜的功能來識別每個時間點出現的一系列效果。您可以通過在每個時間點連接所有 0/1 事件數據來創建這樣一個變量 - 但是，我懷疑您沒有足夠的數據來對可能產生的大量特徵進行建模。我認為減少特徵數量的關鍵在於事件是累積的——也就是說，它們是在以前的事件之上添加的。如果您願意只關心事件的數量（回到我的第一點），那麼它只是每個時間點的事件數量。您可能能夠識別出一些與其他事件不同/更重要的“關鍵”事件，並為這些關鍵事件使用指標變量 - 結合每個時間點的事件累積數量。
其他人可能對此類數據有更好的建議。我沒有處理過這樣的事情。
回复：如何在模型中正確考慮事件？你好@stephanegeorges ,
如果您想匯總您在此設備上收集的所有 DoE 數據，但記錄機器設置的潛在變化（在 DoE/時間段之間），則可以引入一個新列，如“更改”或“設置”（默認情況下是分類的，除非您有更多信息可以通過數值連續值更準確地描述設置的變化），並且對於每個 DoE 或時間段，請指明它是在哪個條件下運行的。
示例：設置“A”（初始設備設置）時的 DoE 1 至 14，然後“B”處的 DoE 15 至 20，“C”處的 20 至 24...
我看到了兩個建模/分析選項，具體取決於您希望如何在模型中設置此“更改”參數（作為固定效應或隨機效應）：
- 如果您只有有限的可重現更改（並且沒有其他可能的未來設置更改），您可以將此新列視為分析中的固定效應。 然後你可以通過“Fit Least Squares”、“Stepwise”或“Generalized Regression”（JMP Pro）和你的其他效果來分析它，你會估計你遇到的每個級別的可能變化，所以你會能夠非常精確地量化變化對響應的影響（例如，從 A 到 B 的更改設置將如何增加/減少響應）。
- 如果這些更改只是設備可能（和未來）更改的一小部分，因此您更想知道設備設置的更改是否導致方差更改，您可以將此新列視為隨機通過“混合模型”或“廣義混合模型”(JMP Pro) 指示此變量是隨機效應來影響並分析您的結果。 然後，JMP 將為您提供 REML 分析（方差分析以了解此隨機效應是否顯著，即檢查設置更改時方差是否有顯著變化）。
這裡有一個關於固定效應與隨機效應的有趣討論： https://community.jmp.com/t5/Discussions/Random-vs-Fixed-Blocking-Factor-in-DOE/td-p/461632?trMode=source
如果/需要時，這可能是在進入更複雜的建模之前進行分析的第一種方法。
我希望這會給你帶來新的分析思路:)
回复：如何在模型中正確考慮事件？我的想法...
1. 為什麼要對機器進行更改？ 您之前的“大量”實驗是否表明應該進行這些更改？ 更改可以撤消嗎？ 這些變化是否對改變“系統”產生了足夠大的影響？
2.如果這些變化確實產生了影響，那麼你在變化之前形成的其他因素之間的關係可能會完全不同。 如果設計因素與所做的更改有任何相互作用，那麼使用更改之前的數據可能沒有用（除非您願意改回來）。本質上，您可能已經更改了推理空間，而之前的關係可能根本沒有用。 在這種情況下，繼續...
3. 我可能會嘗試創建一個列，對時間序列（1、2、3...）的變化進行編碼並進行擬合模型經過那一欄。 這些變化的因子效應是否一致？
回复：如何在模型中正確考慮事件？嗨，戴爾，
我的事件確實不是同等重要的。 直覺上，有些可能對我的回答影響不大，而另一些則影響更大。 經過一些測試，僅考慮事件的數量並沒有幫助……但這是一個很好的觀點，值得測試。
謝謝你的支持。
回复：如何在模型中正確考慮事件？嗨維克多，
我最初介紹了幾列，因為由於效果的累積性，我認為一列不能代表這種情況。 儘管如此，我還是按照建議進行了（使用您的符號）：
DoE_01 A <= 初始情況
DoE_02 A
...
DoE_10 A
DoE_11 A+B <= B 添加（我認為效果有限但重要）
DoE_12 A+B
...
DoE_16 A+B+C <= C 添加到 A 和 B (同註)
...
我將新列作為固定效果引入並繼續進行，暫時（我需要詳細查看您的其他建議），使用“Fit Least Squares”進行簡單分析。 使用這種技術，感興趣的不是每個模態的值，而是 A 和 (A+B) 之間（以獲得 B 的效果）之間、(A+B) 和 (A +B+C) （獲得 C 的效果）等。當然，如果事件之間存在交互，則此技術不起作用（我認為沒有任何作為第一個近似值）。
目前，分析器顯示一致的結果：
- 響應中事件列中的 + 或 - 變化至少在物理上是可以解釋的
- 控製過程的參數 X1、X2 等，針對這些小影響進行了校正，也更加一致。
這是個好消息！ ......即使，我不知道，但有一些事情讓我對影響的累積性質感到困擾。 我不能完全確定它，但我不確定我是否以這種方式正確地考慮到它。
儘管如此，非常感謝您的幫助。
