Hola
Desarrollé un modelo de viscosidad en un producto basado en cientos de datos de laboratorio utilizando pocos parámetros de proceso.
Ahora que el modelo está construido, ¿cuál es el mejor enfoque para realizar un seguimiento de su rendimiento a lo largo del tiempo? Tabla de control ?
Continuamos recibiendo análisis de laboratorio con frecuencia para poder comparar el análisis con el valor previsto.
Gracias de antemano por tu consejo.
Interesante... Aquí están mis pensamientos iniciales:
Primero, ¿cómo se construye el modelo (p. ej., GLM, paso a paso, PLS, neural)? En segundo lugar, ¿cuál es el propósito de realizar un seguimiento del rendimiento a lo largo del tiempo? ¿Planea usar esto para reaccionar a las desviaciones de la predicción? ¿Cuánta desviación te haría reaccionar? ¿Cuál sería tu reacción? ¿No sería mejor graficar las X que están en su modelo (más predictivo)?
Si la construcción del modelo se basó en datos de observación, ¿ha probado la experimentación para confirmar que el modelo es causal frente a correlación?
¿Desea mejorar el modelo (p. ej., identificar variables adicionales o términos de orden superior para incluir en el modelo) o simplemente evaluar la consistencia del modelo? ¿Quiere ampliar el espacio de inferencia para incluir otros productos?Supongo que podrías trazar el derechos residuales de autor a lo largo del tiempo (p. ej., gráficos X, MR). Qué y cómo traza es una función de lo que quiere lograr con el "seguimiento".
Por curiosidad, ¿has evaluado el sistema de medición? Esta es una gran oportunidad para utilizar el método de gráfico de control (y puede proporcionar una mejor determinación de la frecuencia de calibración).
La comparación obvia es un gráfico de dispersión de lo real por lo previsto. Puede agregar la línea Y=X como referencia.@statman La sugerencia de va a la estabilidad de la predicción. También puede utilizar la capacidad del proceso (la predicción es un proceso) para ayudar a evaluar la idoneidad.
