Incluso errore predefinito nell'analisiCiao a tutti,
Ho set di dati limitati che vorrei analizzare (modello bivariato o adattato). Il problema è che vorrei includere l'errore nei valori a priori in modo da non sopravvalutare il significato dei singoli punti dati dato il set di dati limitato.
So come includere una colonna per l'errore predefinito e segnalarla nel generatore di grafici, ma non sono sicuro di come procedere nelle piattaforme di analisi.
Personalizzazione di massafinestreRi: Includere errori predefiniti nell'analisiOtteniamo sempre una misura e siamo all'interno del campo di misura dello strumento. Il problema è che è molto costoso raccogliere anche un singolo punto dati. Non abbiamo precedenti studi MSA, quindi abbiamo sempre utilizzato un'unità +-0,3 come errore sul retro del tovagliolo su qualsiasi punto dati che raccogliamo. Mi piacerebbe sapere se esiste un modo più rigoroso per includere questo errore in qualsiasi analisi.
Ri: Includere errori predefiniti nell'analisiIl problema con i dati è che non ottieni sempre una misurazione o che la misurazione è limitata? Se si tratta dell'ultimo problema, i tuoi dati vengono censurati. Sai che il valore effettivo è oltre un limite. La misurazione in tal caso potrebbe essere un limite inferiore o un limite superiore. Se questa descrizione suona come il tuo problema, allora possiamo aiutarti ad analizzare i dati censurati con JMP. Vale a dire, puoi includere tutti i dati, non solo i valori che si trovano in un intervallo.
Ri: Includere errori predefiniti nell'analisiHmmm, leggendo il dilemma, ho una comprensione completamente diversa del problema (anche se potrei anche fraintendere). Ecco i miei pensieri:
Lloyd ha una situazione in cui i dati che sta raccogliendo provengono da a spazio di inferenza ristretto e pertanto non contiene una stima ragionevole della variabilità reale (non è rappresentativa). Poiché la stima della variazione nello studio (Mean Square Error, MSE) è potenzialmente sgonfiata, i corrispondenti valori F o t saranno gonfiati e i valori p appariranno più significativi che nella realtà. Voglio applaudirti per aver compreso questo potenziale pericolo. Ora per quello che puoi fare tramite JMP, non ho ottimi consigli. Penso sempre che sia una buona idea confrontare l'MSE del tuo set di dati campione con le stime che provengono da altri campioni dello stesso processo (soprattutto se provengono da un campionamento più rappresentativo). L'ho sempre fatto con i miei calcoli. Immagino che ci sia un modo per sostituire l'MSE in ANOVA con il tuo valore, ma personalmente non so come farlo in JMP. Potresti aggiungere valori al set di dati del campione che gonfierebbe l'MSE in modo che corrisponda alla stima dell'errore più rappresentativa? Hai davvero bisogno di usare i valori p? Potrei suggerirti di rimanere con le tecniche grafiche e di ignorare l'approccio quantitativo.
Ri: Includere errori predefiniti nell'analisiGrazie per l'ulteriore chiarimento.
Ecco la mia opinione ... quando hai scritto: "Temo che il valore p verrebbe sgonfiato poiché non stiamo catturando l'errore di misurazione ...". Sei su qualcosa ... ma tieni presente la relazione di qualsiasi valore osservato da un sistema di misurazione alle sue due componenti della varianza. Stai effettivamente "catturando" l'errore di misurazione nei tuoi dati perché ogni volta che osservi una misurazione di qualcosa ha due fonti di variazione che si sommano. Varianza del prodotto + Varianza del sistema di misura = Varianza osservata. Quindi penso che quello che stai cercando di fare sia trovare un modo per sottrarre la varianza del sistema di misurazione dalla varianza del prodotto e in qualche modo stimare una media per ogni risposta. Con solo misurazioni singole questo è impossibile poiché non è possibile stimare la media del prodotto mediante semplice sottrazione di varianze.
Hai scoperto una delle sfide fondamentali del pensiero statistico e dell'inferenza nel fatto che a volte la variazione dei sistemi di misurazione può sommergere la variazione in un prodotto/processo, rendendo le inferenze statistiche sul prodotto/processo più problematiche come la disparità tra la varianza del sistema di misurazione e la varianza del prodotto/processo aumenta...in parole povere, è più difficile per un segnale (il prodotto/processo di interesse) superare il rumore (sistema di misurazione).
Quindi dove vai da qui? Una raccomandazione ovvia è mordere il proiettile e ottenere misurazioni replicate dal sistema e utilizzare le medie di ciascuna risposta per scopi di modellazione ... questo aiuterà a ridurre la variazione del sistema di misurazione rispetto alla stima della media di ciascuna risposta. Ma sembra che non sia fattibile? Una prossima posizione di ripiego potrebbe essere quella di costruire un modello con i dati che hai ... quindi utilizzare il bootstrap all'interno di JMP per esaminare le stime dei parametri e le loro distribuzioni da un punto di vista pratico. Un'ultima idea è all'interno del costrutto di JMP Prediction Profiler e le funzionalità di simulazione impiegano un po' di tempo a simulare il comportamento del sistema. Esiste la possibilità di "aggiungere" la variazione ai risultati della simulazione oltre alle istruzioni di variazione del fattore, quindi questo può essere un surrogato per aggiungere la variazione del sistema di misurazione alla media di ciascuna risposta.
Spero che questo aiuti un po '?
Ri: Includere errori predefiniti nell'analisiImmagino di non aver spiegato molto bene quello che volevo fare.
Abbiamo uno strumento che abbiamo precedentemente caratterizzato per darci un valore con 1sigma di +-x unità di errore. È molto difficile per noi raccogliere dati con questo strumento e quindi abbiamo un campione limitato. Sebbene i pochi punti per gruppo possano mostrare una differenza, temo che il valore p verrebbe sgonfiato poiché non stiamo catturando l'errore di misurazione in questo set di dati limitato.
C'è un modo per incorporare un errore di misurazione a priori nel set di dati? Non dovrei cercare di incorporare questo errore?
Ri: Includere errori predefiniti nell'analisiForse non sto interpretando il tuo post originale nel modo in cui avevi inteso, ma ecco come sto comprendendo il tuo pensiero ... hai un valore per una risposta e/o variabili indipendenti e vorresti cospargere un po 'di quantificato 'errore' su ciascuno di questi valori e POI completare l'analisi? Cambiando effettivamente i valori in un valore successivo. Prima di offrire percorsi per raggiungere questo obiettivo, voglio assicurarmi di capire cosa stai cercando di fare prima dell'analisi. Non sei sicuro del motivo per cui vorresti farlo? Forse puoi condividere il tuo pensiero oltre a "... in modo da non sopravvalutare il significato dei singoli punti dati ...". Essenzialmente creando nuovi dati? A parte la matematica ... è etico nel contesto di ciò che stai cercando di fare?
Ri: Includere errori predefiniti nell'analisiSulla base della tua descrizione, ecco la mia comprensione: hai un piccolo campione, e vedi alcune osservazioni un po' estreme, e sospetti che le osservazioni estreme siano dovute a qualche tipo di casualità, e vorresti introdurre quella casualità nell'esistente osservazioni.
Non sono sicuro che ciò ti aiuterebbe a "sopprimere" l'influenza delle osservazioni estreme. Ma ecco alcuni modi per gestire le osservazioni estreme.
- Prendi in considerazione la possibilità di declassare le osservazioni estreme, vale a dire usa un peso inferiore su di esse. Se a tutte le tue osservazioni viene dato peso 1, dai a quelle estreme una frazione di uno.
- Prendi in considerazione l'utilizzo di una distribuzione diversa, ad esempio distribuzione t, distribuzione lognormale, a seconda della tua situazione.
- Considera il bootstrap ponderato frazionario (fai clic con il pulsante destro del mouse sulla statistica che ti interessa, scegli il menu Bootstrap e opera di conseguenza), che ti consente di imitare il campionamento ripetuto e vedere come varia il risultato.
- Prendi in considerazione l'utilizzo della simulazione (fai clic con il pulsante destro del mouse sulla statistica che ti interessa, scegli il menu Simula e opera di conseguenza). Questo è probabilmente il più vicino a ciò che hai in mente. Simuli i campioni in base alle tue osservazioni, aggiungendo qualsiasi incertezza e vedi come varia il risultato. Tuttavia, la tua ipotesi sulle incertezze introdotte è la nuova fonte di influenza. Non sono sicuro di come ciò influirà sulla tua analisi e conclusione.
