492991_de-DE

liliconcom

Einbeziehung vordefinierter Fehler in die Analyse

Hallo zusammen,

Ich habe begrenzte Datensätze, die ich analysieren möchte (bivariat oder angepasstes Modell). Das Problem besteht darin, dass ich Fehler gerne a priori in die Werte einbeziehen möchte, um die Bedeutung einzelner Datenpunkte angesichts des begrenzten Datensatzes nicht zu überschätzen.

Ich weiß, wie man eine Spalte für den vordefinierten Fehler einfügt und ihn im Graph Builder meldet, bin mir aber nicht sicher, wie ich das in den Analyseplattformen machen soll.

MassenanpassungWindowsBetreff: Vordefinierte Fehler in Analyse einbeziehen

Wir erhalten immer eine Messung und befinden uns innerhalb des Messbereichs des Instruments. Das Problem ist, dass es sehr kostspielig ist, auch nur einen einzigen Datenpunkt zu sammeln. Wir haben keine früheren MSA-Studien durchgeführt, daher haben wir immer eine +-0,3-Einheit als Fehler auf der Rückseite der Serviette für jeden von uns gesammelten Datenpunkt verwendet. Ich würde gerne wissen, ob es eine strengere Möglichkeit gibt, diesen Fehler in eine Analyse einzubeziehen.

Betreff: Vordefinierte Fehler in Analyse einbeziehen

Ist das Problem mit den Daten, dass Sie nicht immer eine Messung erhalten oder dass die Messung begrenzt ist? Im letzteren Fall werden Ihre Daten zensiert. Sie wissen, dass der tatsächliche Wert außerhalb einer Grenze liegt. Die Messung in einem solchen Fall könnte eine Untergrenze oder eine Obergrenze sein. Wenn diese Beschreibung nach Ihrem Problem klingt, können wir Ihnen helfen, zensierte Daten mit JMP zu analysieren. Das heißt, Sie können alle Daten einbeziehen, nicht nur Werte, die in einem Bereich liegen.

Betreff: Vordefinierte Fehler in Analyse einbeziehen

Hmmm, beim Lesen des Dilemmas habe ich ein völlig anderes Verständnis der Problematik (obwohl ich mich möglicherweise auch missverstehe). Hier sind meine Gedanken:

Lloyd hat eine Situation, in der die Daten, die er sammelt, von a stammen schmaler Inferenzraum und enthält daher keine vernünftige Schätzung der wahren Variabilität (es ist nicht repräsentativ). Da die Schätzung der Streuung in der Studie (Mean Square Error, MSE) potenziell deflationiert ist, werden die entsprechenden F- oder t-Werte aufgebläht und p-Werte erscheinen signifikanter als in der Realität. Ich möchte Ihnen applaudieren, dass Sie diese potenzielle Gefahr verstanden haben. Nun zu dem, was Sie über JMP tun können, ich habe keinen guten Rat. Ich halte es immer für eine gute Idee, den MSE Ihres Stichprobendatensatzes mit Schätzungen zu vergleichen, die von anderen Stichproben desselben Prozesses stammen (insbesondere, wenn diese aus repräsentativeren Stichproben stammen). Ich habe das immer mit meinen eigenen Berechnungen gemacht. Ich würde vermuten, dass es eine Möglichkeit gibt, den MSE in ANOVA durch Ihren eigenen Wert zu ersetzen, aber ich persönlich weiß nicht, wie das in JMP geht. Könnten Sie dem Beispieldatensatz Werte hinzufügen, die den MSE aufblasen würden, um mit der repräsentativeren Fehlerschätzung übereinzustimmen? Müssen Sie wirklich p-Werte verwenden? Ich würde vorschlagen, dass Sie bei grafischen Techniken bleiben und den quantitativen Ansatz ignorieren.

Betreff: Vordefinierte Fehler in Analyse einbeziehen

Danke für die zusätzliche Klarstellung.

 

Hier ist meine Meinung ... als Sie schrieben: "Ich mache mir Sorgen, dass der p-Wert verringert wird, da wir den Messfehler nicht erfassen ...". Sie sind auf etwas ... aber denken Sie an die Beziehung zwischen jedem beobachteten Wert eines Messsystems und seinen beiden Varianzkomponenten. Sie „erfassen“ in der Tat den Messfehler in Ihren Daten, denn jedes Mal, wenn Sie eine Messung von etwas beobachten, hat sie zwei Variationsquellen, die additiv sind. Varianz des Produkts + Varianz des Messsystems = beobachtete Varianz. Ich denke also, Sie versuchen, einen Weg zu finden, die Varianz des Messsystems von der Varianz des Produkts zu subtrahieren und irgendwie einen Mittelwert für jede Antwort zu schätzen. Bei nur Einzelmessungen ist dies unmöglich, da Sie den Mittelwert des Produkts nicht durch einfache Subtraktion der Varianzen schätzen können.

 

Sie haben eine der grundlegenden Herausforderungen des statistischen Denkens und der Inferenz entdeckt, da die Variation von Messsystemen manchmal die Variation in einem Produkt/Prozess überschwemmen kann, was statistische Rückschlüsse auf das Produkt/den Prozess problematischer macht als die Diskrepanz zwischen der Varianz des Messsystems und die Varianz des Produkts/Prozesses nimmt zu ... Laienhaft ausgedrückt ist es für ein Signal (das interessierende Produkt/den Prozess) schwieriger, sich über das Rauschen (Messsystem) zu erheben.

 

Also, wohin gehst du von hier aus? Eine offensichtliche Empfehlung ist, in den sauren Apfel zu beißen und Messungen vom System zu replizieren und die Mittelwerte jeder Antwort für Modellierungszwecke zu verwenden. Aber das klingt so, als wäre es nicht machbar? Eine nächste Rückfallposition könnte darin bestehen, ein Modell mit den Daten zu erstellen, die Sie haben ... und dann Bootstrapping in JMP zu verwenden, um Parameterschätzungen und ihre Verteilungen aus praktischer Sicht zu untersuchen. Eine letzte Idee steckt im Konstrukt des JMP Prediction Profiler, und die Simulationsfunktionen verbringen einige Zeit damit, das Verhalten des Systems zu simulieren. Es besteht die Möglichkeit, Variationen zu den Simulationsergebnissen über die Anweisungen für die Faktorvariation hinaus zu „hinzufügen“, sodass dies ein Ersatz für das Hinzufügen der Messsystemvariation zum Mittelwert jeder Antwort sein kann.

 

Hoffe das hilft ein bisschen?

Betreff: Vordefinierte Fehler in Analyse einbeziehen

Ich glaube, ich habe nicht sehr gut erklärt, was ich tun wollte.

 

Wir haben ein Instrument, das wir zuvor charakterisiert haben, um uns einen Wert mit 1 Sigma von +-x Fehlereinheiten zu geben. Es ist sehr schwierig für uns, mit diesem Instrument Daten zu sammeln, und daher haben wir eine begrenzte Stichprobengröße. Obwohl die wenigen Punkte pro Gruppe einen Unterschied zeigen können, mache ich mir Sorgen, dass der p-Wert deflationiert wäre, da wir den Messfehler in diesem begrenzten Datensatz nicht erfassen.

 

Gibt es eine Möglichkeit, einen a priori Messfehler in den Datensatz einzubauen? Sollte ich nicht versuchen, diesen Fehler einzubauen?

 

Betreff: Vordefinierte Fehler in Analyse einbeziehen

Vielleicht interpretiere ich Ihren ursprünglichen Beitrag nicht so, wie Sie es beabsichtigt haben, aber so verstehe ich Ihr Denken ... Sie haben einen Wert für eine Antwort und / oder unabhängige Variablen und möchten einige quantifizierte Werte einstreuen 'Fehler' bei jedem dieser Werte und DANN vervollständigen Sie Ihre Analyse? Effektives Ändern der Werte auf einen nachfolgenden Wert. Bevor ich Wege biete, um dies zu erreichen, möchte ich sicherstellen, dass ich verstehe, was Sie vor der Analyse zu tun versuchen. Sie sind sich nicht sicher, warum Sie das tun möchten? Vielleicht können Sie darüber hinaus Ihre Gedanken teilen '...um die Aussagekraft einzelner Datenpunkte nicht zu überschätzen...'. Im Wesentlichen neue Daten erfinden? Abgesehen von der Mathematik ... ist dies im Zusammenhang mit dem, was Sie zu tun versuchen, ethisch vertretbar?

Betreff: Vordefinierte Fehler in Analyse einbeziehen

Basierend auf Ihrer Beschreibung verstehe ich Folgendes: Sie haben eine kleine Stichprobe, und Sie sehen einige Beobachtungen etwas extrem, und Sie vermuten, dass extreme Beobachtungen auf eine Art Zufälligkeit zurückzuführen sind, und Sie möchten diese Zufälligkeit in das Bestehende einbringen Beobachtungen.

Ich bin mir nicht sicher, ob Ihnen das helfen würde, den Einfluss extremer Beobachtungen zu "unterdrücken". Aber hier sind einige Möglichkeiten, mit extremen Beobachtungen umzugehen.

1. Erwägen Sie, die extremen Beobachtungen herabzustufen, dh ihnen ein geringeres Gewicht zu geben. Wenn alle Ihre Beobachtungen das Gewicht 1 erhalten, geben Sie den extremen einen Bruchteil von eins.
2. Erwägen Sie die Verwendung einer anderen Verteilung, z. B. t-Verteilung, lognormale Verteilung, abhängig von Ihrer Situation.
3. Betrachten Sie fraktional gewichteten Bootstrap (klicken Sie mit der rechten Maustaste auf die Statistik, die Sie interessiert, wählen Sie das Bootstrap-Menü und führen Sie die entsprechende Operation aus), mit der Sie wiederholtes Sampling nachahmen und sehen können, wie das Ergebnis variiert.
4. Erwägen Sie die Verwendung einer Simulation (klicken Sie mit der rechten Maustaste auf die Statistik, die Sie interessiert, wählen Sie das Menü „Simulieren“ und gehen Sie entsprechend vor). Dies kommt dem, was Sie denken, wahrscheinlich am nächsten. Sie simulieren Proben basierend auf Ihren Beobachtungen, fügen beliebige Unsicherheiten hinzu und sehen, wie das Ergebnis variiert. Ihre Annahme zu den eingeführten Unsicherheiten ist jedoch die neue Einflussquelle. Ich bin mir nicht sicher, wie sich das auf Ihre Analyse und Schlussfolgerung auswirken wird.