분석에 사전 정의된 오류 포함안녕하세요 여러분,
분석하고 싶은 데이터 세트가 제한되어 있습니다(이변량 또는 적합 모델). 문제는 제한된 데이터 세트에서 개별 데이터 포인트의 중요성을 과대평가하지 않기 위해 이전 값에 오류를 포함하고 싶다는 것입니다.
미리 정의된 오류에 대한 열을 포함하고 이를 그래프 빌더에 보고하는 방법을 알고 있지만 분석 플랫폼에서 이 문제를 해결하는 방법을 잘 모르겠습니다.
대량 맞춤화윈도우Re: 분석에 미리 정의된 오류 포함우리는 항상 측정을 받고 기기의 측정 범위 내에 있습니다. 문제는 단일 데이터 포인트를 수집하는 데에도 비용이 많이 든다는 것입니다. 우리는 이전 MSA 연구가 없었기 때문에 우리가 수집하는 모든 데이터 포인트에서 냅킨 오류의 뒷면으로 항상 +-0.3 단위를 사용해 왔습니다. 분석에 이 오류를 포함하는 보다 엄격한 방법이 있는지 알고 싶습니다.
Re: 분석에 미리 정의된 오류 포함데이터의 문제가 항상 측정되지 않거나 측정이 제한된다는 것입니까? 후자의 문제인 경우 데이터가 검열됩니다. 실제 값이 한도를 넘어선다는 것을 알고 있습니다. 이러한 경우 측정값은 하한 또는 상한일 수 있습니다. 이 설명이 귀하의 문제처럼 들린다면 JMP로 검열된 데이터를 분석하는 데 도움을 드릴 수 있습니다. 즉, 범위에 있는 값뿐만 아니라 모든 데이터를 포함할 수 있습니다.
Re: 분석에 미리 정의된 오류 포함흠, 딜레마를 읽으면서 나는 그 문제에 대해 완전히 다른 이해를 하게 되었습니다. 내 생각은 다음과 같습니다.
Lloyd는 그가 수집하는 데이터가 좁은 추론 공간 따라서 실제 변동성에 대한 합리적인 추정치를 포함하지 않습니다(대표적이지 않음). 연구의 변동 추정치(Mean Square Error, MSE)가 잠재적으로 축소되기 때문에 해당 F 또는 t 값이 부풀려지고 p-값이 실제보다 더 중요하게 나타납니다. 이 잠재적인 위험을 이해해 주셔서 감사합니다. 이제 JMP를 통해 무엇을 할 수 있는지에 대해 그다지 좋은 조언은 없습니다. 샘플 데이터 세트의 MSE를 동일한 프로세스의 다른 샘플에서 얻은 추정치와 비교하는 것이 항상 좋은 생각이라고 생각합니다(특히 이러한 샘플이 보다 대표적인 샘플링에서 나온 경우). 나는 항상 내 자신의 계산으로 이것을 해왔습니다. ANOVA의 MSE를 자신의 값으로 대체할 수 있는 방법이 있을 것 같지만 개인적으로 JMP에서는 이 작업을 수행하는 방법을 모릅니다. 보다 대표적인 오류 추정치와 일치하도록 MSE를 팽창시키는 샘플 데이터 세트에 값을 추가할 수 있습니까? p-값을 사용해야 합니까? 그래픽 기술을 유지하고 정량적 접근 방식을 무시하는 것이 좋습니다.
Re: 분석에 미리 정의된 오류 포함추가 설명에 감사드립니다.
"측정 오류를 캡처하지 않기 때문에 p-값이 축소될까봐 걱정됩니다..."라고 썼을 때 제 생각입니다. 당신은 무언가에 있습니다 ...하지만 측정 시스템에서 관찰 된 값과 두 가지 분산 구성 요소의 관계를 명심하십시오. 데이터의 측정 오류를 실제로 '캡처'하는 것입니다. 어떤 측정을 관찰할 때마다 추가되는 변동의 두 가지 원인이 있기 때문입니다. 제품의 분산 + 측정 시스템의 분산 = 관찰된 분산. 그래서 당신이 하려는 것은 제품의 분산에서 측정 시스템의 분산을 빼고 어떻게든 각 응답에 대한 평균을 추정하는 방법을 생각해내는 것입니다. 단일 측정만으로는 분산의 단순 빼기로 제품의 평균을 추정할 수 없기 때문에 불가능합니다.
때때로 측정 시스템의 변동이 제품/프로세스의 변동을 압도하여 측정 시스템의 변동과 제품/프로세스에 대한 통계적 추론이 더 문제가 될 수 있다는 점에서 통계적 사고 및 추론의 기본 과제 중 하나를 발견했습니다. 제품/프로세스의 분산이 증가합니다. 간단히 말해 신호(관심 있는 제품/프로세스)가 노이즈(측정 시스템) 이상으로 상승하기가 더 어렵습니다.
그래서 여기서 어디로 가나요? 확실한 권장 사항 중 하나는 총알을 물고 시스템에서 반복 측정을 얻고 모델링 목적으로 각 응답의 평균을 사용하는 것입니다. 이는 각 응답의 평균을 추정하기 위해 측정 시스템 변동을 줄이는 데 도움이 될 것입니다. 하지만 실현 불가능한 것처럼 들리나요? 다음 대체 위치는 보유하고 있는 데이터로 모델을 구축한 다음 JMP 내에서 부트스트래핑을 사용하여 실용적인 관점에서 매개변수 추정치와 그 분포를 조사하는 것입니다. 마지막 아이디어는 JMP 예측 프로파일러의 구조 내에 있으며 시뮬레이션 기능은 시스템 동작을 시뮬레이션하는 데 시간을 할애합니다. 요인 변동 지침 이상으로 시뮬레이션 결과에 변동을 '추가'하는 기능이 있으므로 각 응답의 평균에 측정 시스템 변동을 추가하는 대신 사용할 수 있습니다.
도움이 되셨기를 바랍니다.
Re: 분석에 미리 정의된 오류 포함내가 하고 싶은 일을 잘 설명하지 못한 것 같다.
우리는 이전에 +-x 오류 단위의 1시그마 값을 제공하기 위해 특성화한 도구를 가지고 있습니다. 이 장비로 데이터를 수집하는 것은 매우 어렵기 때문에 샘플 크기가 제한되어 있습니다. 그룹당 몇 개의 포인트가 차이를 보일 수 있지만 이 제한된 데이터 세트에서 측정 오류를 캡처하지 않기 때문에 p-값이 줄어들지 않을까 걱정됩니다.
데이터 세트에 선험적 측정 오류를 통합하는 방법이 있습니까? 이 오류를 통합하려고 하면 안 됩니까?
Re: 분석에 미리 정의된 오류 포함내가 당신의 원래 게시물을 당신이 의도한 방식으로 해석하고 있지 않을 수도 있지만, 당신의 생각을 이해하는 방법은 다음과 같습니다. 당신은 응답 및/또는 독립 변수에 대한 가치가 있고 정량화된 일부를 뿌리고 싶습니다. 이러한 각 값에 대해 '오류'를 표시하고 분석을 완료하시겠습니까? 값을 후속 값으로 효과적으로 변경합니다. 이를 달성하기 위한 경로를 제공하기 전에 분석 전에 수행하려는 작업을 이해하고 있는지 확인하고 싶습니다. 왜 이것을 하고 싶은지 확신이 서지 않습니까? '...개별 데이터 포인트의 중요성을 과대평가하지 않기 위해...' 이상으로 생각을 공유할 수 있습니다. 본질적으로 새로운 데이터를 구성합니까? 수학을 제외하고... 당신이 하려는 일의 맥락에서 이것이 윤리적입니까?
Re: 분석에 미리 정의된 오류 포함귀하의 설명을 바탕으로 제가 이해한 내용은 다음과 같습니다. 샘플이 적고 약간 극단적인 관찰이 있으며 극단적인 관찰이 일종의 임의성 때문이라고 의심하고 그 임의성을 기존에 도입하고 싶습니다. 관찰.
그것이 극단적인 관찰의 영향을 "억제"하는 데 도움이 될지 확신할 수 없습니다. 그러나 여기에 극단적인 관찰을 처리하는 몇 가지 방법이 있습니다.
- 극단적인 관찰을 다운그레이드하는 것을 고려하십시오. 즉, 더 낮은 가중치를 사용하십시오. 모든 관측치에 가중치 1이 주어지면 극단적인 관측치에 1의 분수를 부여하십시오.
- 상황에 따라 다른 분포(예: t-분포, 로그 정규 분포) 사용을 고려하십시오.
- 부분 가중 부트스트랩(관심 있는 통계를 마우스 오른쪽 버튼으로 클릭하고 부트스트랩 메뉴를 선택하고 그에 따라 작동)을 고려하면 반복 샘플링을 모방하고 결과가 어떻게 달라지는지 확인할 수 있습니다.
- 시뮬레이션 사용을 고려하십시오(관심 있는 통계를 마우스 오른쪽 버튼으로 클릭하고 Simulate 메뉴를 선택한 후 그에 따라 작동). 이것은 아마도 당신의 마음에 가장 가까운 것입니다. 관찰을 기반으로 샘플을 시뮬레이션하고 불확실성을 추가하고 결과가 어떻게 달라지는지 확인합니다. 그러나 도입된 불확실성에 대한 귀하의 가정이 새로운 영향력의 원천입니다. 그것이 당신의 분석과 결론에 어떤 영향을 미칠지 잘 모르겠습니다.
