Incluir errores predefinidos en el análisisHola a todos,
Tengo conjuntos de datos limitados que me gustaría analizar (modelo bivariado o de ajuste). El problema es que me gustaría incluir el error en los valores antes para no sobreestimar la importancia de los puntos de datos individuales dado el conjunto de datos limitado.
Sé cómo incluir una columna para el error predefinido y cómo informarlo en el generador de gráficos, pero no estoy seguro de cómo hacerlo en las plataformas de análisis.
La personalización en masaventanasRe: Incluir un error predefinido en el análisisSiempre obtenemos una medida y estamos dentro del rango de medida del instrumento. El problema es que es muy costoso recopilar incluso un solo punto de datos. No tenemos estudios previos de MSA, por lo que siempre hemos estado usando una unidad de +-0.3 como un error en la parte posterior de la servilleta en cualquier punto de datos que recopilamos. Me gustaría saber si hay una forma más rigurosa de incluir este error en cualquier análisis.
Re: Incluir un error predefinido en el análisis¿El problema con los datos es que no siempre obtienes una medida o que la medida es limitada? Si es el último problema, entonces sus datos están censurados. Sabes que el valor real está más allá de un límite. La medida en tal caso podría ser un límite inferior o un límite superior. Si esta descripción parece su problema, entonces podemos ayudarlo a analizar los datos censurados con JMP. Es decir, puede incluir todos los datos, no solo los valores que están en un rango.
Re: Incluir un error predefinido en el análisisHmmm, al leer el dilema, tengo una comprensión completamente diferente del problema (aunque también puedo estar malinterpretándolo). Aquí están mis pensamientos:
Lloyd tiene una situación en la que los datos que recopila provienen de un estrecho espacio de inferencia y por lo tanto no contiene una estimación razonable de la verdadera variabilidad (no es representativa). Dado que la estimación de la variación en el estudio (error cuadrático medio, MSE) está potencialmente deflactada, los valores F o t correspondientes estarán inflados y los valores p parecerán más significativos que en la realidad. Quiero aplaudirle por entender este peligro potencial. Ahora, para lo que puede hacer a través de JMP, no tengo buenos consejos. Siempre pienso que es una buena idea comparar el MSE de su conjunto de datos de muestra con estimaciones que provienen de otras muestras del mismo proceso (especialmente si son de un muestreo más representativo). Siempre he hecho esto con mis propios cálculos. Supongo que hay una manera de reemplazar el MSE en ANOVA con su propio valor, pero personalmente no sé cómo hacerlo en JMP. ¿Podría agregar valores al conjunto de datos de muestra que inflarían el MSE para que coincida con la estimación de error más representativa? ¿Realmente necesitas usar valores p? Podría sugerirle que se quede con las técnicas gráficas e ignore el enfoque cuantitativo.
Re: Incluir un error predefinido en el análisisGracias por la aclaración adicional.
Esta es mi opinión... cuando escribiste: "Me preocupa que el valor p se desinfle ya que no estamos capturando el error de medición...". Está en algo... pero tenga en cuenta la relación de cualquier valor observado de un sistema de medición con sus dos componentes de varianza. De hecho, está 'capturando' el error de medición en sus datos porque cada vez que observa una medición de algo, tiene dos fuentes de variación que son aditivas. Varianza del producto + Varianza del sistema de medida = Varianza observada. Así que creo que lo que está tratando de hacer es encontrar una forma de restar la varianza del sistema de medición de la varianza del producto y de alguna manera estimar una media para cada respuesta. Con solo mediciones individuales, esto es imposible, ya que no se puede estimar la media del producto mediante una simple resta de varianzas.
Ha descubierto uno de los desafíos básicos del pensamiento y la inferencia estadísticos en el sentido de que, a veces, la variación de los sistemas de medición puede ahogar la variación en un producto/proceso, lo que hace que las inferencias estadísticas sobre el producto/proceso sean más problemáticas como la disparidad entre la variación del sistema de medición y la varianza del producto/proceso aumenta... en términos sencillos, es más difícil para una señal (el producto/proceso de interés) elevarse por encima del ruido (sistema de medición).
Entonces, ¿a dónde vas desde aquí? Una recomendación obvia es tomar las riendas y obtener mediciones replicadas del sistema y usar los promedios de cada respuesta con fines de modelado... esto ayudará a reducir la variación del sistema de medición en relación con la estimación de la media de cada respuesta. ¿Pero eso suena como que no es factible? Una próxima posición alternativa podría ser construir un modelo con los datos que tiene... luego usar bootstrapping dentro de JMP para examinar las estimaciones de parámetros y sus distribuciones desde un punto de vista práctico. Una última idea está dentro de la construcción de JMP Prediction Profiler y las capacidades de simulación dedican algún tiempo a simular el comportamiento del sistema. Existe la capacidad de 'agregar' variación a los resultados de la simulación por encima de las instrucciones de variación del factor, por lo que esto puede ser un sustituto para agregar la variación del sistema de medición a la media de cada respuesta.
¿Espero que esto ayude un poco?
Re: Incluir un error predefinido en el análisisSupongo que no expliqué muy bien lo que quería hacer.
Tenemos un instrumento que hemos caracterizado previamente para darnos un valor con 1sigma de +-x unidades de error. Es muy difícil para nosotros recopilar datos con este instrumento, por lo que tenemos un tamaño de muestra limitado. Aunque los pocos puntos por grupo pueden mostrar una diferencia, me preocupa que el valor p se desinfle, ya que no estamos capturando el error de medición en este conjunto de datos limitado.
¿Hay alguna forma de incorporar un error de medición a priori en el conjunto de datos? ¿No debería intentar incorporar este error?
Re: Incluir un error predefinido en el análisisTal vez no estoy interpretando su publicación original de la manera que pretendía, pero así es como comprendo su pensamiento... usted tiene un valor para una respuesta y/o variables independientes y le gustaría rociar algo cuantificado. 'error' en cada uno de estos valores y LUEGO completar su análisis? Cambiando efectivamente los valores a algún valor posterior. Antes de ofrecer caminos para lograr esto, quiero asegurarme de que entiendo lo que está tratando de hacer antes del análisis. ¿No estás seguro de por qué querrías hacer esto? Tal vez pueda compartir su pensamiento más allá de '... para no sobrestimar la importancia de los puntos de datos individuales...'. ¿Esencialmente inventando nuevos datos? Aparte de las matemáticas... ¿es esto ético en el contexto de lo que estás tratando de hacer?
Re: Incluir un error predefinido en el análisisSegún su descripción, esto es lo que entiendo: usted tiene una muestra pequeña y ve algunas observaciones un poco extremas, y sospecha que las observaciones extremas se deben a algún tipo de aleatoriedad, y le gustaría introducir esa aleatoriedad a la existente. observaciones.
No estoy seguro de si eso le ayudaría a "suprimir" la influencia de las observaciones extremas. Pero aquí hay algunas formas de manejar las observaciones extremas.
- Considere degradar las observaciones extremas, es decir, darles un peso más bajo. Si todas sus observaciones tienen un peso de 1, dé a las extremas una fracción de uno.
- Considere el uso de una distribución diferente, por ejemplo, distribución t, distribución Lognormal, según su situación.
- Considere el arranque ponderado fraccionario (haga clic con el botón derecho en la estadística que le interesa, elija el menú Bootstrap y opere en consecuencia), lo que le permite imitar el muestreo repetido y ver cómo varía el resultado.
- Considere usar la simulación (haga clic con el botón derecho en la estadística que le interesa, elija el menú Simular y opere en consecuencia). Esto es probablemente lo más cercano a lo que está en tu mente. Simule muestras en función de sus observaciones, agregue cualquier incertidumbre y vea cómo varía el resultado. Sin embargo, su suposición sobre las incertidumbres introducidas es la nueva fuente de influencia. No estoy seguro de cómo eso afectará su análisis y conclusión.
