Inclure une erreur prédéfinie dans l'analyseSalut tout le monde,
J'ai des ensembles de données limités que je souhaite analyser (modèle bivarié ou ajusté). Le problème est que j'aimerais inclure une erreur dans les valeurs a priori afin de ne pas surestimer l'importance des points de données individuels étant donné l'ensemble de données limité.
Je sais comment inclure une colonne pour l'erreur prédéfinie et la signaler sur le générateur de graphiques, mais je ne sais pas comment procéder dans les plates-formes d'analyse.
Personnalisation de masseles fenêtresRe : Inclure une erreur prédéfinie dans l'analyseNous obtenons toujours une mesure et nous sommes dans la plage de mesure de l'instrument. Le problème est qu'il est très coûteux de collecter ne serait-ce qu'un seul point de données. Nous n'avons pas d'études MSA antérieures, nous avons donc toujours utilisé une unité de +-0,3 comme erreur de dos de la serviette sur tous les points de données que nous collectons. J'aimerais savoir s'il existe un moyen plus rigoureux d'inclure cette erreur dans toute analyse.
Re : Inclure une erreur prédéfinie dans l'analyseLe problème avec les données est-il que vous n'obtenez pas toujours une mesure ou que la mesure est limitée ? S'il s'agit de ce dernier problème, vos données sont censurées. Vous savez que la valeur réelle dépasse une limite. La mesure dans un tel cas pourrait être une limite inférieure ou une limite supérieure. Si cette description ressemble à votre problème, nous pouvons vous aider à analyser les données censurées avec JMP. C'est-à-dire que vous pouvez inclure toutes les données, pas seulement les valeurs comprises dans une plage.
Re : Inclure une erreur prédéfinie dans l'analyseHmmm, en lisant le dilemme, j'ai une compréhension complètement différente de la question (même si je peux aussi mal comprendre). Voici mes réflexions :
Lloyd se trouve dans une situation où les données qu'il collecte proviennent d'un espace d'inférence étroit et ne contient donc pas une estimation raisonnable de la vraie variabilité (elle n'est pas représentative). Étant donné que l'estimation de la variation dans l'étude (Mean Square Error, MSE) est potentiellement dégonflée, les valeurs F ou t correspondantes seront gonflées et les valeurs p apparaîtront plus significatives qu'en réalité. Je tiens à vous féliciter d'avoir compris ce danger potentiel. Maintenant, pour ce que vous pouvez faire via JMP, je n'ai pas de bons conseils. Je pense toujours que c'est une bonne idée de comparer la MSE de votre ensemble de données d'échantillon avec des estimations provenant d'autres échantillons du même processus (surtout si celles-ci proviennent d'un échantillonnage plus représentatif). J'ai toujours fait cela avec mes propres calculs. Je suppose qu'il existe un moyen de remplacer le MSE dans ANOVA par votre propre valeur, mais personnellement, je ne sais pas comment le faire dans JMP. Pourriez-vous ajouter des valeurs à l'ensemble de données d'échantillon qui gonfleraient l'EQM pour qu'elle corresponde à l'estimation d'erreur plus représentative ? Avez-vous vraiment besoin d'utiliser des p-values ? Je pourrais vous suggérer de rester avec des techniques graphiques et d'ignorer l'approche quantitative.
Re : Inclure une erreur prédéfinie dans l'analyseMerci pour la précision supplémentaire.
Voici mon point de vue... quand vous avez écrit : "Je crains que la valeur p ne soit dégonflée puisque nous ne capturons pas l'erreur de mesure...". Vous êtes sur quelque chose ... mais gardez à l'esprit la relation entre toute valeur observée d'un système de mesure et ses deux composantes de variance. Vous "capturez" en effet l'erreur de mesure dans vos données car chaque fois que vous observez une mesure de quelque chose, il y a deux sources de variation qui s'additionnent. Variance du produit + Variance du système de mesure = Variance constatée. Je pense donc que ce que vous essayez de faire est de trouver un moyen de soustraire la variance du système de mesure de la variance du produit et d'estimer d'une manière ou d'une autre une moyenne pour chaque réponse. Avec seulement des mesures uniques, c'est une impossibilité car vous ne pouvez pas estimer la moyenne du produit par simple soustraction des variances.
Vous avez découvert l'un des défis fondamentaux de la pensée statistique et de l'inférence dans la mesure où parfois la variation des systèmes de mesure peut submerger la variation d'un produit/processus, rendant les inférences statistiques sur le produit/processus plus problématiques car la disparité entre la variance du système de mesure et la variance du produit/processus augmente... en termes simples, il est plus difficile pour un signal (le produit/processus d'intérêt) de s'élever au-dessus du bruit (système de mesure).
Alors, où allez-vous d'ici? Une recommandation évidente est de mordre la balle et d'obtenir des mesures répétées du système et d'utiliser les moyennes de chaque réponse à des fins de modélisation... cela aidera à réduire la variation du système de mesure par rapport à l'estimation de la moyenne de chaque réponse. Mais cela semble impossible ? Une autre position de repli pourrait consister à créer un modèle avec les données dont vous disposez... puis à utiliser le bootstrap dans JMP pour examiner les estimations des paramètres et leurs distributions d'un point de vue pratique. Une dernière idée réside dans la construction des fonctionnalités JMP Prediction Profiler et Simulation qui passent un certain temps à simuler le comportement du système. Il est possible « d'ajouter » une variation aux résultats de la simulation au-delà des instructions de variation des facteurs, ce qui peut servir de substitut pour ajouter la variation du système de mesure à la moyenne de chaque réponse.
J'espère que ça aide un peu?
Re : Inclure une erreur prédéfinie dans l'analyseJe suppose que je n'ai pas très bien expliqué ce que je voulais faire.
Nous avons un instrument que nous avons précédemment caractérisé pour nous donner une valeur avec 1 sigma de +-x unités d'erreur. Il nous est très difficile de collecter des données avec cet instrument et nous avons donc une taille d'échantillon limitée. Bien que les quelques points par groupe puissent montrer une différence, je crains que la valeur p ne soit dégonflée puisque nous ne capturons pas l'erreur de mesure dans cet ensemble de données limité.
Existe-t-il un moyen d'intégrer une erreur de mesure a priori dans le jeu de données ? Ne devrais-je pas essayer d'intégrer cette erreur ?
Re : Inclure une erreur prédéfinie dans l'analysePeut-être que je n'interprète pas votre message d'origine comme vous l'aviez prévu, mais voici comment je comprends votre pensée... vous avez une valeur pour une réponse et/ou des variables indépendantes et vous aimeriez saupoudrer de quantifié 'erreur' sur chacune de ces valeurs et ENSUITE compléter votre analyse ? Changer efficacement les valeurs en une valeur ultérieure. Avant d'offrir des voies pour y parvenir, je veux m'assurer que je comprends ce que vous essayez de faire avant l'analyse. Vous ne savez pas pourquoi vous voudriez faire cela? Peut-être pouvez-vous partager votre réflexion au-delà de "... afin de ne pas surestimer l'importance des points de données individuels...". Vous créez essentiellement de nouvelles données ? Mis à part les mathématiques... est-ce éthique dans le contexte de ce que vous essayez de faire ?
Re : Inclure une erreur prédéfinie dans l'analyseSur la base de votre description, voici ma compréhension : vous avez un petit échantillon, et vous voyez des observations un peu extrêmes, et vous soupçonnez que les observations extrêmes sont dues à une sorte de hasard, et vous aimeriez introduire ce hasard dans l'existant observations.
Je ne sais pas si cela vous aiderait à "supprimer" l'influence des observations extrêmes. Mais voici quelques façons de gérer les observations extrêmes.
- Envisagez de déclasser les observations extrêmes, c'est-à-dire de leur attribuer un poids inférieur. Si toutes vos observations reçoivent un poids de 1, donnez aux extrêmes une fraction de un.
- Envisagez d'utiliser une distribution différente, par exemple la distribution t, la distribution lognormale, selon votre situation.
- Considérez le bootstrap pondéré fractionnaire (cliquez avec le bouton droit sur la statistique qui vous intéresse, choisissez le menu Bootstrap et opérez en conséquence), ce qui vous permet d'imiter un échantillonnage répété et de voir comment le résultat varie.
- Envisagez d'utiliser la simulation (cliquez avec le bouton droit sur la statistique qui vous intéresse, choisissez le menu Simuler et procédez en conséquence). C'est probablement ce qui se rapproche le plus de ce que vous avez en tête. Vous simulez des échantillons en fonction de vos observations, en ajoutant toutes les incertitudes, et voyez comment le résultat varie. Cependant, votre hypothèse sur les incertitudes introduites est la nouvelle source d'influence. Je ne sais pas quel impact cela aura sur votre analyse et votre conclusion.
