在分析中包含預定義的誤差大家好，
我想要分析的資料集有限（雙變量或擬合模型）。問題是我想在先前的值中包含錯誤，以免在給定有限資料集的情況下高估各個資料點的重要性。
我知道如何包含預定義錯誤的列並將其報告在圖形生成器上，但我不確定如何在分析平台中進行此操作。
大規模客製化視窗回复：在分析中包括預定義錯誤我們總是得到一個測量，並且我們在儀器的測量範圍內。 問題是即使是收集單個數據點也非常昂貴。 我們之前沒有進行 MSA 研究，因此我們一直使用 +-0.3 單位作為我們收集的任何數據點的餐巾紙背面誤差。 我想知道是否有更嚴格的方法將此錯誤包含在任何分析中。
回复：在分析中包括預定義錯誤數據的問題是您並不總能得到測量結果還是測量結果有限？ 如果是後一個問題，那麼您的數據將被審查。 您知道實際值超出了限制。 這種情況下的測量可能是下限或上限。 如果此描述聽起來像您的問題，那麼我們可以幫助您使用 JMP 分析刪失數據。 也就是說，您可以包括所有數據，而不僅僅是范圍內的值。
回复：在分析中包括預定義錯誤嗯，在閱讀困境時，我對這個問題有了完全不同的理解（儘管我也可能是誤解）。 這是我的想法：
Lloyd 的情況是，他正在收集的數據來自狹窄的推理空間因此不包含對真實可變性的合理估計（不具有代表性）。 由於研究中的變異估計（均方誤差，MSE）可能會縮小，因此相應的 F 或 t 值將被誇大，並且 p 值將顯得比實際情況更重要。 我要為你理解這種潛在的危險而鼓掌。 現在對於您可以通過 JMP 做什麼，我沒有很好的建議。 我一直認為將樣本數據集的 MSE 與來自同一過程的其他樣本的估計值進行比較是個好主意（尤其是如果這些樣本來自更具代表性的樣本）。 我總是用自己的計算來做到這一點。 我想有一種方法可以用您自己的值替換方差分析中的 MSE，但我個人不知道如何在 JMP 中執行此操作。 您能否將值添加到樣本數據集，從而使 MSE 膨脹以匹配更具代表性的誤差估計？ 您真的需要使用 p 值嗎？ 我可能會建議您繼續使用圖形技術而忽略定量方法。
回复：在分析中包括預定義錯誤感謝您的補充說明。
這是我的看法……當您寫道：“我擔心 p 值會被縮小，因為我們沒有捕獲測量誤差……”。 您正在做某事……但請記住測量系統的任何觀測值與其方差的兩個分量之間的關係。 您確實在“捕獲”數據中的測量誤差，因為任何時候您觀察某事物的測量值時，它都有兩個疊加的變化源。 產品的方差 + 測量系統的方差 = 觀察到的方差。 所以我認為你正在嘗試做的是想出一種方法，從產品的方差中減去測量系統的方差，並以某種方式估計每個響應的平均值。 僅通過單一測量這是不可能的，因為您無法通過簡單地減去方差來估計產品的均值。
您已經發現了統計思維和推理的基本挑戰之一，因為有時測量系統的變化會淹沒產品/過程的變化，從而使關於產品/過程的統計推斷更加成問題，因為測量系統的變化與測量系統的變化之間存在差異產品/過程的方差增加……通俗地說，信號（感興趣的產品/過程）更難高於噪聲（測量系統）。
那麼你從這裡去哪裡？ 一個明顯的建議是硬著頭皮從系統中獲取重複測量值，並將每個響應的平均值用於建模目的……這將有助於降低測量系統的變化，以估計每個響應的平均值。 但這聽起來不太可行？ 下一個後備位置可能是使用您擁有的數據構建模型……然後在 JMP 中使用引導程序從實際角度檢查參數估計及其分佈。 最後一個想法是在 JMP 預測刻畫器和模擬功能的構造中花一些時間模擬系統的行為。 有一種能力可以在因子變化指令之上向模擬結果“添加”變化，因此這可以替代將測量系統變化添加到每個響應的平均值。
希望這個對你有幫助？
回复：在分析中包括預定義錯誤我想我沒有很好地解釋我想做什麼。
我們有一個儀器，我們之前已經對其進行了表徵，可以為我們提供 1sigma +-x 誤差單位的值。 我們很難用這個儀器收集數據，所以我們的樣本量有限。 雖然每組的幾個點可能顯示出差異，但我擔心 p 值會被縮小，因為我們沒有在這個有限的數據集中捕獲測量誤差。
有沒有辦法在數據集中加入先驗測量誤差？ 我不應該嘗試合併這個錯誤嗎？
回复：在分析中包括預定義錯誤也許我沒有按照你想要的方式解釋你原來的帖子，但這就是我理解你的想法的方式......你有一個響應和/或自變量的值並且你想撒一些量化的這些值中的每一個都出現“錯誤”，然後完成您的分析？ 有效地將值更改為某個後續值。 在我提供實現此目的的途徑之前，我想確保我在分析之前了解您要嘗試做什麼。 不確定為什麼要這樣做？ 也許你可以分享你的想法，而不是“......以免高估個別數據點的重要性......”。 本質上是在編造新數據？ 除了數學之外……在您嘗試做的事情的背景下，這是否合乎道德？
回复：在分析中包括預定義錯誤根據你的描述，這是我的理解：你有一個小樣本，你看到一些觀察結果有點極端，你懷疑極端觀察結果是由於某種隨機性造成的，你想將這種隨機性引入現有的觀察。
我不確定這是否會幫助您“抑制”極端觀察的影響。 但這裡有一些處理極端觀察的方法。
- 考慮降低極端觀測值的等級，即對它們使用較低的權重。 如果您的所有觀察值都被賦予權重 1，則將極端值賦予一的分數。
- 根據您的情況考慮使用不同的分佈，例如 t 分佈、對數正態分佈。
- 考慮分數加權引導程序（右鍵單擊您感興趣的統計信息，選擇引導程序菜單，然後進行相應操作），它允許您模擬重複採樣並查看結果如何變化。
- 考慮使用模擬（右鍵單擊您感興趣的統計信息，選擇“模擬”菜單，然後進行相應操作）。 這可能是最接近您的想法的。 您根據自己的觀察模擬樣本，添加任何不確定性，然後查看結果如何變化。 但是，您對引入的不確定性的假設是新的影響源。 我不確定這將如何影響您的分析和結論。
