481631_it-IT

liliconcom

Come tenere correttamente conto degli eventi in un modello?

Ciao a tutti,
Vorrei consultarvi per una modellazione.

Ho un processo con una risposta Y e parametri X1, X2, X3, ecc.
L'analisi del processo si è svolta in un lungo periodo di 3 anni. Ora vorrei raccogliere tutti i dati per analizzare il processo nel suo insieme. Il problema è che la macchina associata al processo ha subito alcuni cambiamenti e persino alcuni rischi durante questi 3 anni. Tutti sono stati identificati come Evt_A, Evt_B, Evt_C in una data specifica. Per ottenere una buona modellazione di Y, vorrei prendere in considerazione non solo i parametri X1, X2, X3, ecc. ma anche gli eventi A, B, C, ecc. per sapere se hanno avuto una reale influenza e per quantificare le loro influenze. Per il momento, ho introdotto gli eventi come colonne categoriali con i valori -1 e +1, -1 che significa "prima dell'evento" e +1 "dopo l'evento".

 

Mi pongo le seguenti domande:
1. È l'unico modo per procedere?
2. È questo il modo giusto di procedere?
3. Come inserire correttamente questi eventi nella piattaforma Fit Model? Devo usare attributi specifici? Sono possibili interazioni?

 

Vi ringrazio in anticipo per tutto l'aiuto che potete darmi.
Cordiali saluti,
Stéphane GEORGES

AnaliticaRe: Come prendere in considerazione gli eventi correttamente in un modello?

Una domanda che ho è se gli eventi sono tutti diversi o possono essere aggregati?Personalmente, codificherei gli eventi come (0,1) e se possono essere trattati allo stesso modo, l'evento può essere ridotto a una singola variabile che indica se si trattava di un tempo di evento o meno.Se sono tutti diversi, sospetto che tu abbia bisogno di variabili indicatore diverse per ogni evento.Un'altra domanda è se l'evento è confinato al momento in cui si verifica o se i periodi di tempo precedenti o successivi all'evento sono soggetti ad essere influenzati dall'evento.In altre parole, se la vicinanza all'ora dell'evento è importante, codificherei tutti i periodi di tempo in termini di distanza dall'ora dell'evento (es. -3, -2, -1, 0, 1,2,3) .Se puoi fornire maggiori dettagli sulla natura degli eventi e sui loro effetti, penso che sarebbe più facile discutere le scelte di modellizzazione appropriate.Ho usato l'analisi degli eventi, ma l'ho applicata a eventi normativi piuttosto che a eventi macchina.In tale contesto, è importante non concentrarsi troppo sull'orario effettivo dell'evento, poiché gli "eventi" normativi sono spesso anticipati in larga misura.Quando si verifica un "evento" politico non previsto, l'approccio della variabile indicatore ha più senso.Sospetterei che gli eventi macchina siano più discreti, ma dipende comunque dalla natura di quegli "eventi".

Re: Come prendere in considerazione gli eventi correttamente in un modello?

Ciao Dale,

La ringrazio per la risposta. Cercherò di essere più esplicito.

 

Ho un processo di saldatura laser che sto cercando di modellare. Negli ultimi 3 anni ho eseguito oltre 25 DoE sulla nostra macchina con materiali di vari gradi e spessori. Ho raccolto tutte queste conoscenze ed esperienze per creare un modello di saldatura per predisporre correttamente la macchina.

 

Durante questi 3 anni, la macchina ha continuato ad evolversi tecnologicamente a piccoli passi. In momenti diversi si sono verificate modifiche (es. progettuali) che possono influenzare (o meno) il fenomeno della saldatura laser. Pertanto, non tutti i test sono stati eseguiti nelle stesse condizioni. Vorrei tenerne conto per valutarne l'impatto e, per quanto possibile, cancellarli per risalire agli effetti dei parametri di saldatura puri. Pertanto, anche se gli eventi sono puntuali, i loro effetti sono persistenti nel tempo. Per questo parlavo del prima e del dopo. Accetto di prendere in considerazione gli effetti nella forma 0/1 (0: l'effetto non esiste, 1: l'effetto esiste).

 

Quindi, nel tempo potremmo avere:

................................T1..................... T2............................................

-------------------------------------------------- -------------------------------

A: 000000000000111111111111111111111111111111111111111111111111

B: 000000000000000000000000001111111111111111111111111111

 

Prima di T1, le prove sono indipendenti dagli effetti degli eventi A e B. Dopo T1, nelle prove devono essere presi in considerazione gli effetti dell'evento A Dopo le date T1 e T2, devono essere presi in considerazione gli effetti di A e B. Le date non sono importanti di per sé, sono gli effetti di A, B, ecc. che mi interessano e che vorrei valutare.

Re: Come prendere in considerazione gli eventi correttamente in un modello?

Se gli eventi sono in un certo senso "uguali", registrerei semplicemente il numero di eventi che si applicano in ogni momento.Tuttavia, sembra probabile che ogni evento abbia le sue caratteristiche distinte.Ciò significherebbe che è necessaria una funzionalità più complessa che riconosca la serie di effetti presenti in ogni momento.È possibile creare una tale variabile concatenando tutti i dati dell'evento 0/1 in ogni momento, tuttavia, sospetto che non si disponga di dati sufficienti per modellare il gran numero di funzionalità che ne risulterebbe.Penso che la chiave per ridurre il numero di funzionalità risieda nel fatto che gli eventi sono cumulativi, ovvero si aggiungono agli eventi precedenti.Se sei disposto a preoccuparti solo del numero di eventi (tornando al mio primo punto), allora sarebbe semplicemente il numero di eventi in ogni momento.Potresti essere in grado di identificare alcuni eventi "chiave" diversi/più importanti degli altri e utilizzare variabili indicatore per quegli eventi chiave, insieme al numero cumulativo di eventi in ogni momento.

 

Qualcun altro potrebbe avere un suggerimento migliore per questo tipo di dati.Non ho lavorato con niente di simile.

Re: Come prendere in considerazione gli eventi correttamente in un modello?

Ciao @stephanegorges ,

 

Se desideri aggregare tutti i dati del DoE che hai raccolto su questa apparecchiatura, ma registrare i potenziali cambiamenti nelle impostazioni della macchina (tra DoE/periodi di tempo), potrebbe essere possibile introdurre una nuova colonna come "modifica" o "impostazione" ( categoriale di default, a meno che non si disponga di maggiori informazioni per caratterizzare con maggiore precisione le modifiche alle impostazioni tramite valori numerici continui) e per ogni DoE o periodo di tempo, indicare in quale condizione è stato eseguito.
Esempio : DoE da 1 a 14 con impostazione "A" (impostazioni dell'attrezzatura iniziale), quindi DoE da 15 a 20 su "B", da 20 a 24 su "C"...

Vedo due opzioni per la modellazione/analisi a seconda di come si desidera impostare questo parametro di "modifica" nel modello (come effetto fisso o effetto casuale):
- Se hai solo modifiche limitate riproducibili (e non sono possibili altre modifiche future alle impostazioni), puoi considerare questa nuova colonna come un effetto fisso nella tua analisi. Quindi puoi analizzarlo tramite "Fit Least Squares", "Stepwise" o "Generalized Regression" (JMP Pro) con i tuoi altri effetti e avrai stime su ogni livello di possibili modifiche che hai incontrato, quindi sarai in grado di quantificare in modo abbastanza preciso l'impatto delle modifiche sulle risposte (ad esempio, come un'impostazione di modifica da A a B aumenterà/diminuirà la risposta).
- Se queste modifiche sono solo una piccola parte delle modifiche possibili (e future) sull'attrezzatura, e quindi sei più interessato a sapere se una modifica nell'impostazione dell'attrezzatura ha creato una modifica nella varianza, puoi considerare questa nuova colonna come un casuale effetto e analizzare i risultati attraverso un "Modello misto" o un "Modello misto generalizzato" (JMP Pro) indicando che questa variabile è un effetto casuale. Quindi, JMP ti fornirà un'analisi REML (analisi della varianza per sapere se questo effetto casuale è significativo, ovvero verifica se c'è un cambiamento significativo nella varianza quando le impostazioni vengono modificate).

C'è stata un'interessante discussione sugli effetti fissi e casuali qui: https://community.jmp.com/t5/Discussions/Random-vs-Fixed-Blocking-Factor-in-DOE/td-p/461632?trMode=source

 

Questo potrebbe essere un primo approccio in analisi prima di entrare in modelli più complessi se/quando necessario.

Spero che questo ti porti una nuova idea per l'analisi

Re: Come prendere in considerazione gli eventi correttamente in un modello?

I miei pensieri...

1. Perché sono state apportate le modifiche alle macchine? I tuoi precedenti "numerosi" esperimenti indicavano che queste modifiche dovevano essere apportate? È possibile annullare le modifiche? Le modifiche hanno avuto un effetto sufficientemente significativo da modificare il "sistema"?

2. Se questi cambiamenti hanno un effetto, allora le relazioni degli altri tuoi fattori, sviluppate prima dei cambiamenti, potrebbero essere completamente diverse. Se c'è un'interazione dei fattori di degna con le modifiche apportate, l'utilizzo dei dati prima delle modifiche potrebbe non essere utile (a meno che tu non sia disposto a tornare indietro).In sostanza, potresti aver modificato lo spazio di inferenza e le relazioni precedenti potrebbero non essere affatto utili. In tal caso, vai avanti...

3. Potrei provare a creare una colonna che codifica le modifiche nella sequenza temporale (1, 2, 3...) e fare il modello di adattamento di quella colonna. Gli effetti dei fattori sono coerenti su tali modifiche?

Re: Come prendere in considerazione gli eventi correttamente in un modello?

Ciao Dale,

I miei eventi infatti non hanno la stessa importanza. Intuitivamente, alcuni possono influenzare poco la mia risposta e altri un po' di più. Dopo alcune prove, tenere conto del numero di eventi da solo non aiuta ... ma è stato un ottimo punto e vale la pena provare.

Grazie per il vostro sostegno.

Re: Come prendere in considerazione gli eventi correttamente in un modello?

Ciao Vittorio,
Inizialmente avevo introdotto diverse colonne perché non pensavo che una colonna potesse rappresentare la situazione a causa della natura cumulativa degli effetti. Tuttavia, ho proceduto come consigliato (con le tue annotazioni):
DoE_01 A <= situazione iniziale
DoE_02 A
...
DoE_10 A
DoE_11 A+B <= B viene aggiunto (effetto che considero limitato ma significativo)
DoE_12 A+B
...
DoE_16 A+B+C <= C viene aggiunto ad A e B (stessa osservazione)
...
Ho introdotto la nuova colonna come effetto fisso e ho proceduto, per il momento (devo rivedere in dettaglio gli altri tuoi suggerimenti), con una semplice analisi utilizzando "Fit Least Squares". Con questa tecnica, non sono direttamente i valori di ciascuna modalità che interessano, ma le grandezze delle variazioni tra A e (A+B) (per ottenere l'effetto di , tra (A+B) e (A +B+C) (per ottenere l'effetto di C), ecc. Naturalmente, se ci sono interazioni tra gli eventi, questa tecnica non funziona (penso di non averne come prima approssimazione).
Per ora, il profiler mostra risultati coerenti:
- le modifiche + o - nella colonna dell'evento sulla risposta sono almeno fisicamente spiegabili
- più consistenti sono anche i parametri X1, X2, etc che governano il processo, corretti per questi piccoli effetti.
Questa è un'ottima notizia! ... anche se, non lo so, ma c'è qualcosa che mi infastidisce nella natura cumulativa degli effetti. Non riesco a metterci il dito sopra, ma non sono sicuro di prenderlo in considerazione correttamente in questo modo.
Tuttavia, molte grazie per il tuo aiuto.