JMP에서 부트스트랩 방법 시뮬레이션: 언제, 왜 사용해야 할까요?안녕하세요 여러분,
모델 추정치를 평가할 때 JMP의 누군가가 시뮬레이션과 부트스트랩 접근 방식의 차이점/유사점에 대해 설명을 제공할 수 있기를 바랍니다. (JMP 프로)
Gotwalt 및 기타의 이전 Discovery Summit 프레젠테이션에 대한 일부 링크를 찾을 수 있습니다. 여기 , 여기 , 그리고 여기 . 두 방법 간의 한 가지 분명한 차이점은 Simulate에서는 열 수식을 다른 열 수식으로 교체해야 하지만 부트스트래핑에서는 그렇지 않다는 것입니다. 매개변수 추정값을 다시 계산할 때 부트스트랩 개념을 이해하지만, 동일한 데이터를 시뮬레이션할 때 부분 무작위 가중치 열을 교체해야 하는 이유가 명확하지 않습니다. 예를 들어 위의 첫 번째 링크와 자동 검증 설정을 사용하여 이 접근 방식을 설명하는 해당 프레젠테이션을 참조하세요(이 경우 DOE 결과를 사용하여 작업했습니다).
제가 더 잘 이해하고 싶은 것은 두 가지 접근 방식의 장점/단점과 한 접근 방식이 다른 접근 방식보다 나은 경우입니다. 여러 프로세스 변수와 제품 품질 측정값이 있는 넓고 긴 데이터 테이블이 있습니다. 조사할 위치에 대한 아이디어를 생산에 제공하기 위해 결과에 영향을 미칠 수 있는 가능한 프로세스 변수 집합의 범위를 좁히고 싶습니다. 이를 위해 저는 그들의 프레젠테이션에서 Null Factor 아이디어를 가져와 모델에 진정한 무작위 변수로 포함시켰습니다. 그런 다음 요인 및 Y 출력에 대해 매우 기본적인 GenReg 모델을 실행한 다음 추정 열을 마우스 오른쪽 버튼으로 클릭하고 모수 추정에 대해 부트스트랩 또는 시뮬레이션 옵션을 실행합니다.
두 가지 방법 모두에서 동일한 결과를 얻지 못하며 그 이유를 이해하고 싶습니다. 또한 DOE가 아니기 때문에 한 가지 접근 방식이 다른 접근 방식보다 더 적합합니까?
아래 결과의 예는 Null Factor보다 적은 횟수로 모델에 도입된 모든 요인이 단순히 제거되는 Pareto Plot에 나와 있습니다. 첫 번째 이미지는 Simulate 메서드를 사용한 결과를 보여줍니다. 여기서 Pareto 플롯의 가장 오른쪽에 있는 요소는 Null 요소입니다. 마찬가지로 두 번째 이미지는 부트스트랩 방법을 사용한 결과를 보여 주며 여기서도 Null Factor는 맨 오른쪽에 있습니다.
두 가지 방법에 대해 매우 다른 두 가지 결과를 얻는 이유는 무엇입니까? 하나가 다른 것보다 "신뢰할 수 있는" 것입니까? 왜 다른 방법보다 한 가지 방법을 사용합니까? 한 가지 방법이 다른 방법보다 더 강력합니까? 다른 결과가 나오는 경우 JMP Pro에 두 가지 옵션이 있는 이유는 무엇입니까?
이에 대한 통찰력을 높이 평가합니다.
감사해요!,
DS
고급 통계 모델링실험 설계예측 모델링 및 기계 학습답변: JMP의 부트스트랩 방법 시뮬레이션: 언제, 왜 사용해야 할까요?부트스트래핑 또는 리샘플링은 기본 분포를 경험적으로 대체하려고 시도합니다. 일반적으로 브래들리 에프론(Bradley Efron)이 이 방법론을 발명하고 개발한 것으로 간주됩니다. 그는 또한 그 단점도 탐구했습니다. 그런 다음 부트스트랩 샘플을 통해 샘플 통계 및 간격을 경험적으로 결정할 수 있습니다. 인구 분포는 가정되지 않습니다. 이러한 추정치의 정확성과 안정성은 원래 표본의 크기와 재표본 수에 따라 달라집니다.
시뮬레이션 방법은 재표본이 생성되는 분포 모델을 가정합니다. 추정치는 모델 가정에 크게 의존합니다.
이 답변은 높은 수준이며 상세하지 않습니다. 두 가지 방법의 사례와 그 방법이 어떻게 성공하거나 실패할 수 있는지 상상할 수 있습니다.
답변: JMP의 부트스트랩 방법 시뮬레이션: 언제, 왜 사용해야 할까요?안녕 @마크_베일리 ,
귀하의 의견과 생각에 감사드립니다.
따라서 (높은 수준에서) 시뮬레이션 또는 부트스트랩이 인구 분포를 가정하거나 가정하지 않는 방식에 따라 주요 차이점이 나타나는 것처럼 들립니다. 모집단 분포 요구 사항의 차이로 인해 두 가지 방법은 추정 프로세스에 서로 다르게 접근하므로 시뮬레이션 방법에서는 다른 열을 교체해야 합니다.
한 가지 방법이 다른 방법보다 더 강력한지, 그리고 언제 다른 방법보다 한 가지 방법을 사용해야 하는지 더 잘 이해하고 싶습니다. 예를 들어, 시뮬레이션 방법에 대한 인구 분포 요구 사항은 무엇입니까? 한 방법을 다른 방법보다 사용해서는 안 되는 경우 제한사항이 있습니까?
위의 예에서는 각 방법의 Null Factor보다 모델에 더 자주 들어오는 요인에 대해 매우 다른 답변을 얻습니다. 모델에 남아 있어야 하는 요소와 모델에서 실제로 유용하지 않은 요소에 대해 실제로 가장 정확한 추정을 제공할 수 있는 방법은 무엇입니까? 어떤 결과를 "신뢰"할 수 있나요?
JMP 온라인 도움말에는 설명이 제한되어 있으며 실제로 어떤 방법을 사용하는지에 대해 논의하지 않습니다.
감사해요!,
DS
답변: JMP의 부트스트랩 방법 시뮬레이션: 언제, 왜 사용해야 할까요?혼란을 드려 죄송합니다....
논란의 여지가 있는 제 생각을 말씀드리기 전에, 귀하의 게시물의 궁극적인 목적은 무엇입니까? 귀하의 질문 중 일부(예: 하나가 다른 것보다 "신뢰할 수 있는" 것입니까? 왜 다른 방법보다 한 가지 방법을 사용합니까? 한 가지 방법이 다른 방법보다 더 강력합니까?) 한 가지 목표를 제안하십시오. 기타(예: 두 가지 방법에 대해 매우 다른 두 가지 결과를 얻는 이유는 무엇입니까?, JMP Pro에 두 가지 옵션이 있는 이유는 무엇입니까?) 뭔가 다른 것.이미 존재하는 변동(프로세스 또는 데이터 세트에)을 설명하는 모델 또는 예측에 유용한 모델(데밍의 용어로 분석)에 어떤 방법이 도달할지 결정하려고 하시나요? 아니면 두 가지 방법에 대한 기술적인 논의에만 관심이 있으신가요?
답변: JMP의 부트스트랩 방법 시뮬레이션: 언제, 왜 사용해야 할까요?안녕 @statman ,
혼란을 드려 죄송합니다. 솔직히 말해서 전부는 아니지만 아직 "최종" 모델에 도달한 정도는 아닙니다. 추가 조사를 위해 가장 가능성이 높은 요인 세트에 도달하는 것이 더 많습니다. 예측자 선별(Predictor Screening) 플랫폼과 비슷합니다.
저는 Cary에서 열린 2018 Discovery Summit에서 발표된 것과 유사한 수정된 방법을 사용하고 있습니다(원래 게시물의 첫 번째 링크). 가능한 매우 큰(>130) 세트의 가능한 생산 태그(예: 펌프 속도, 유속, 오븐 온도 및 공기 흐름), 이는 QC에서 측정되는 결과 Y에 기여합니다. GenReg 접근 방식(예: Forward Selection 또는 Pruned Forward Selection)을 사용하면 모델의 항에 대한 추정치를 얻을 수 있습니다. 이는 주요 요인만 보고 상호 작용이나 다른 것은 전혀 고려하지 않는 매우 단순한 모델입니다. 이러한 추정치 중 상당수는 계수에 대해 0이거나 거의 0에 가깝습니다.
그런 다음 추정치에 대한 시뮬레이션 또는 부트스트랩 분석을 수행할 수 있습니다. 이는 일반적으로 해당 추정치에 대해 가능한 값의 범위가 무엇인지 더 잘 확신하기 위해 수행됩니다. 그러나 어느 방법을 사용하든 분포 통계에서 얻을 수 있는 또 다른 점은 해당 추정값의 비율이 0이 아니라는 것입니다. 각 추정치의 0이 아닌 값 비율을 Null Factor와 비교하면 해당 요인이 Null Factor보다 모델에 더 자주 나타나는지 여부를 알 수 있습니다. Null Factor는 완전히 무작위이며 실제 생산 태그와 상관 관계가 없으므로 태그가 Null Factor보다 덜 자주 표시되면 향후 모델링 노력에서 제외될 수 있습니다. 이를 통해 130개 이상의 가능한 요소를 보다 관리하기 쉬운 12개 정도의 세트로 축소할 수 있습니다. 이 시점에서는 이전보다 훨씬 더 작은 요소 집합에 대해 추가 조사, 실험 또는 모델링을 수행할 수 있습니다.
제가 더 잘 이해하고 싶은 것은 왜 시뮬레이션 방법과 부트스트랩 방법이 서로 다른 결과를 생성하는지입니다. 마크 베일리가 말한 유통 문제인가요? 기본값인 2500개의 리샘플을 사용하는 것만으로는 충분하지 않습니다. 더 필요합니까? 아니면 두 가지 방법이 서로 다른 결과를 제공하게 만드는 좀 더 근본적인 이유가 있습니까?
어떤 방법을 언제 사용할지에 대해 보다 정확한 정보를 바탕으로 결정을 내리기 위해 두 가지 방법의 기술적 측면을 더 잘 이해하고 싶습니다. 두 가지 방법이 유사한 솔루션으로 수렴되지 않으면(필요하지 않은 경우) 어떤 솔루션이 "올바른" 솔루션입니까?
JMP 온라인 도움말에는 정보가 많지 않습니다. 이러한 도구를 효과적으로 활용하려면 이러한 도구를 더 잘 이해하고 싶습니다.
감사해요!,
DS
답변: JMP의 부트스트랩 방법 시뮬레이션: 언제, 왜 사용해야 할까요?두 방법 모두 우수한 어떤 통계적 의미에서든요. 즉, 어느 쪽도 항상 모든 경우에 다른 쪽보다 더 나은 성능을 발휘하지 못합니다.
결과의 정확성은 새로운 샘플을 사용한 새로운 예측(예: 추정치)을 통해 독립적으로 검증되어야 합니다.
부트스트래핑과 시뮬레이션에 관한 문헌은 방대합니다. 여기서 작은 공간의 한계와 단점에 대한 광범위한 질문에 쉽게 답할 수 없습니다. 예를 들어, 모집단의 꼬리가 넓거나 특이치를 나타내는 경우 표본이 모집단 특징을 충분히 포착할 수 있습니까? 모집단의 실제 샘플과 같은 부트스트랩 샘플을 생성합니까? 한편, 시뮬레이션에 사용된 분포모형을 어느 정도 신뢰하십니까?
신뢰는 주관적입니다. 왜냐하면 두 조사자가 한 방법을 다른 방법보다 신뢰하기 위해 서로 다른 종류와 양의 증거가 필요할 수 있기 때문입니다.
소프트웨어 문서는 교육용이 아닙니다. 이 경우 두 가지 접근 방식에 대해 알아보려면 다른 소스를 사용해야 합니다.
답변: JMP의 부트스트랩 방법 시뮬레이션: 언제, 왜 사용해야 할까요?@SDF1 나는 나의 두 센트/의견도 제시할 것이다. 나는 모든 것에 동의한다 @마크_베일리 그리고 @statman 지금까지 기여해왔습니다. 당신의 조사 경로는 제가 화학 공정 산업에서 일하던 시절 반복적으로 맡았던 것과 이상할 정도로 유사하게 들립니다. 어젯밤 생산 실행 중에 물리학, 화학 또는 생물학의 마법이 함께 발휘되지 않았을 때 프로세스/제품 변형을 이해하거나 시정 조치를 취하기 위해 활용하려는 생산/제조 실시간 데이터가 많이 있었습니다. 이제 '이유'를 알아내기 위해 모두 손을 댔습니다. 모든 것을 설명하는 '최종' 모델을 찾으려는 것처럼 들립니다. 나는 이를 위해 생산 데이터를 사용하는 것이 문제 해결과 관련하여 전체적으로 효율적인 문제 해결 접근 방식이 아니라는 것을 알았습니다. 데이터는 너무 지저분하고, 불완전하며, 미래에 발생할 수 있는 상황을 나타내기에는 유용하고 대표적인 영향을 미치는 소음/성가신 요소가 누락된 경우가 많습니다. 그래서 우리는 무엇을 했나요? 우리는 당신이 가지고 있는 데이터를 사용하여 중요한 요소를 식별할 것입니다. 그런 다음 '오프라인'으로 전환하여 설계된 실험을 포함하는 사려 깊은 프로세스 공간을 수행하여 순차적인 방식으로 요인 변화를 유도하여 궁극적인 문제 해결을 위한 효율적인(모델/통계가 아닌 자원 측면) 경로로 연결됩니다. 결국 제가 자주 함께 일했던 엔지니어 중 한 명이 "실패 모드를 껐다가 켜기 전까지는 실패 모드의 근본 원인을 알 수 없습니다"라고 말했습니다. 해당 지식을 얻는 방법에 대해 내가 아는 유일한 효율적인 방법은 DOE를 이용하는 것입니다. 우연한 상황 데이터를 모델로 고문하지 않는 것입니다. 그냥 내 의견이야. 그만한 가치가 있는 만큼 가져가세요.
답변: JMP의 부트스트랩 방법 시뮬레이션: 언제, 왜 사용해야 할까요?안녕 @P_바텔 ,
답장을 보내 주셔서 감사합니다. 과거에 경험하신 일에 대한 귀하의 설명은 제가 이전 게시물에서 설명하려고 했던 것과 가장 가깝습니다. 이 접근 방식의 목표는 완벽하게 작동하는 모델을 찾는 것이 아니라 중요하지 않은 프로세스 데이터를 제거하여 생산을 돕는 것입니다. 우리 프로세스는 실제로 생산에서 실제 DOE를 수행하는 것을 허용하지 않습니다. 너무 비용이 많이 듭니다! 대신 가능한 생산 데이터 스트림을 가장 영향력 있는 것으로 좁힐 수 있다면 지적하신 대로 실험실에서 DOE를 수행할 수 있습니다. 이것이 우리가 하는 일입니다.
우리는 R&D 연구소를 통해 특정 요인이 특정 결과에 어떻게, 왜 영향을 미치는지 알고 있습니다. 그러나 실험실에서 제품을 생산하는 소규모 배치(일일 몇 kg)와 고도로 통제된 환경은 하루에 500톤 이상의 재료를 생산하는 연속적인 전체 규모 생산과는 훨씬 다릅니다. 연속 생산 장비는 소규모 실험실 배치 설정에서 작업이 수행되는 방식과 다르게 결과에 영향을 미칩니다. 그리고 우리 프로세스에는 단순히 배치를 연속 프로세스로 변환하거나 그 반대로 변환할 수 있는 "규모 확대" 또는 "규모 축소" 요소가 없습니다. 따라서 지속적인 생산에서는 어떤 프로세스가 표류하거나 변동하여 사양을 벗어난 제품으로 이어질 수 있는지 찾는 것이 훨씬 더 어렵습니다.
그래서 원래 배우려고 했던 내용으로 돌아가서, 기술적인 토론을 통해 두 방법의 유사점과 차이점에 대해 더 자세히 알아보고 싶습니다. 한 가지 방법이 다른 방법보다 선호되는 경우가 있습니까? 그 이유는 무엇입니까?그렇게 함으로써 두 가지 방법이 왜 그렇게 다른 결과를 제공하는지 알아보고 추가 조사가 필요한 가장 가능성이 높은 요소를 결정하기 위한 보다 안정적이고 강력한 접근 방식을 찾는 방법에 대한 계획을 세울 수 있기를 바랍니다. 이 마지막 단계는 JMP 커뮤니티를 통하지 않고 회사의 그룹과 함께 작업할 작업입니다.
다시 말하지만, JMP 문서에는 이러한 방법에 대한 제한된 정보(아마도 시뮬레이션에 대한 추가 정보)가 있을 뿐만 아니라 각 방법에 대한 자세한 내용을 찾을 수 있는 위치에 대한 정보도 제한되어 있습니다. 이러한 방법에 대한 전문가가 아니기 때문에 시뮬레이션과 부트스트랩 방법에 대한 아이디어/입력을 위해 토론 포럼에 가야겠다고 생각했습니다. 지금까지 이 토론에서 부트스트랩은 재표본에 대한 분포를 가정하지 않는 반면 시뮬레이션은 재표본의 분포를 가정하며 둘 다 우수하지 않다는 것을 배웠습니다. 이 중 어느 것도 제가 배우고자 했던 내용을 실제로 다루고 있지 않습니다.JMP 도움말에는 몇 가지 유용한 정보가 있지만 전부는 아닙니다. JMP 도움말 페이지 하단에 광고되어 있습니다.
따라서 더 많은 것을 배우기를 희망하면서 커뮤니티 토론에 참여하십시오. 다시 한 번 말씀드리지만, 저는 이러한 방법에 대한 전문가는 아니지만 커뮤니티 페이지 중 누군가가 전문가가 되어 더 많은 정보를 알아보기 위해 읽을 수 있는 더 많은 정보나 리소스를 제공할 수 있기를 바랐습니다.
감사해요!,
DS
답변: JMP의 부트스트랩 방법 시뮬레이션: 언제, 왜 사용해야 할까요?JMP의 부트스트랩과 시뮬레이션에 대한 일반적인 지식을 알고 싶다면 링크 (2)와 (3)이 더 관련성이 높습니다. 링크 (1)은 좀 더 발전된 주제이며 DOE에만 적용됩니다.
William Meeker는 (2)와 (3)의 연설자 중 한 명입니다. 그의 저서 "신뢰도 데이터에 대한 통계적 방법" 2권의 9장을 확인해 보세요. 에드. 초판만 볼 수 있는 경우에는 9장도 확인해야 합니다. 매우 자세한 설명이 거기에 문서화되어 있습니다. 우리 중 많은 사람들이 그곳에서 기술을 배웠습니다. 그러나 나는 다른 참고 자료가 있다고 확신합니다. Meeker의 자료는 기술의 일반적인 개념과 신뢰성 분석의 특수 응용을 모두 다루고 있습니다. 신뢰도 분석 부분이 관련이 없다면 건너뛰셔도 됩니다.
마크가 설명한 내용과 함께 책 내용을 요약하면 다음과 같다.
"비모수적 부트스트랩"이라고도 불리는 "부트스트랩"의 단계는 다음과 같습니다.
- 데이터에서 샘플링
- 뭔가를 해라
- 관심 수량을 계산하고 수량을 수집하세요.
- 반복하다.
"파라메트릭 부트스트랩"이라고도 불리는 "시뮬레이트" 단계에는 다음이 포함됩니다.
- 몇 가지 알려진 매개변수가 있는 모델로 시작하여 샘플을 시뮬레이션합니다.
- 뭔가를 해라
- 관심 수량을 계산하고 수량을 수집하세요.
- 반복하다.
언급했듯이 목적은 "신뢰 구간"을 얻는 것입니다. 어느 것을 선택할까요? 그것은 당신의 임무에 달려 있습니다. 나는 당신이 설명한 작업에 대해 말할 수 없습니다. 그러나 링크 (2)와 (3)을 보면 링크 (2)와 (3)의 대부분은 "비모수적 부트스트랩"(또는 부트스트랩)의 적용과 관련이 있습니다. 왜냐하면 작업은 추정치의 신뢰 구간을 더 잘 정량화하는 것이기 때문입니다. 대규모 표본 근사법은 해당 맥락에서 가장 효과적인 접근 방식이 아닙니다. 이제 전력 계산을 위해 링크 (3)에서 "파라메트릭 부트스트랩"(또는 시뮬레이션)이 사용되는 경우를 살펴보겠습니다. 전력 계산이란 무엇입니까? 그런 계산을 하려면 진실을 알아야 하므로 어떤 방법으로 결정을 내릴 때 가설검정에 대한 결정이 맞는지 아닌지를 알아야 한다. 그런 다음 결론을 표의 올바른 사분면으로 정리할 수 있습니다. 제1종 오류와 제2종 오류 . 진실에 대해 어떻게 확신할 수 있습니까? 진실부터 시작하세요. 그럴 때는 "파라메트릭 부트스트랩"이 더 적합합니다.
부트스트랩 방법은 다재다능한 기술입니다. 제가 설명한 내용은 빙산의 일각에 불과하다고 확신합니다. 그러나 Mark가 말한 내용은 차이점을 요약합니다. 즉, 출발점이 다릅니다.
귀하의 특정 작업에 대해 한 가지 질문이 있습니다. 시뮬레이션을 수행할 때 수식 열을 어떻게 생각해냈습니까? 당신이 알고 있는 것이 사실인가요?
답변: JMP의 부트스트랩 방법 시뮬레이션: 언제, 왜 사용해야 할까요?우와! 우리는 같은 회사에서 일했음이 틀림없습니다. 제가 Eastman Kodak Company에서 근무한 경력의 절반을 어떻게 보냈는지 정확하게 설명하셨습니다. 생산 필름/종이 코팅 공정/기계에 대한 DOE는 비용과 용량으로 인해 금지되었습니다. 실험실 벤치부터 파일럿, 생산까지 종이에 적힌 꿈같은 확장성이 있었습니다. 우리의 구원의 은혜는 최선을 다하는 똑똑한 사람들이 많이 있다는 것입니다. 몇 가지 추가 사항을 포함하여 커뮤니티 메시징 기능을 사용하여 비공개 메시지를 보내 드리겠습니다.
답변: JMP의 부트스트랩 방법 시뮬레이션: 언제, 왜 사용해야 할까요?DS에서 제기한 질문과 관련하여 가치가 없고 유용하지 않을 수 있는 내 생각 중 일부를 제공하겠습니다. 비슷한 경험이 있기 때문에 내 생각은 Pete의 생각과 일치합니다.인과관계를 이해하려는 거대한 계획에는 다양한 접근 방식이 있습니다.모든 경우에 반복이 필요합니다. 저는 이러한 접근 방식 중 두 가지를 지나치게 단순화하겠습니다.
1. 통계적 접근: 기존의 역사적/관찰적 데이터에서 단서를 찾으려는 시도입니다(AKA 데이터 마이닝).이는 종종 일종의 회귀 접근 방식(여러 가지가 있음)을 사용하여 궁극적으로 응답 변수(예: Y)의 패턴을 찾고 이를 입력 변수(예: x)의 패턴과 연관시키려는 시도를 수반합니다.단지 정량적인 조사(예: 부트스트래핑, 시뮬레이션 등) 대신 그래픽 방법을 사용하여 패턴을 찾습니다. 패턴의 상관관계는 그러한 패턴이 존재하는 이유에 대한 설명을 불러일으켜야 합니다.이러한 설명은 가설입니다.가설이 수립되면 직접 샘플링(예: DOE)을 통해 데이터를 수집하여 인과 관계에 대한 신뢰도를 구축합니다.
2. 과학적/공학적 접근 방식(일명 과학적 방법): 이 접근 방식은 요인이 반응 변수에 미치는 잠재적 영향에 대한 가설로 시작됩니다.이러한 가설은 SME 경험, 직관, 교육, 수용된 과학 이론에 대한 이해 등의 기능입니다.변수 수가 많고(예: 15개 초과) 가설이 일반적일 경우 방향성 샘플링을 사용하여 변동 구성요소를 더 작은 하위 집합으로 분리하고 분할할 수 있습니다. 프로세스를 "방해"하지 않으므로 생산 프로세스에 이 접근 방식을 강력히 권장합니다. 잠재적으로 영향을 미치는 요인의 수가 줄어들면 실험을 통해 인과 관계에 대한 신뢰도를 구축할 수 있습니다.
어떤 접근 방식이 더 효과적이고 효율적일지는 항상 상황에 따라 다릅니다.지식 연속체에서 매우 낮은 수준인 경우(예: 주제 지식이 부족한 경우) 아마도 접근 방식 1이 유리할 것입니다. 가설이 이미 존재하는 경우 접근 방식 2가 더 유리할 수 있습니다.
(단기적 사고와 장기적 사고에 대한 논쟁 없이) 생산 과정을 실험할 수 없다는 점에서 이는 조사에 복잡성을 더할 수 있습니다.문제는 추론 공간이다. 원하는 것은 파일럿 라인이 생산 공정을 반영하는 것입니다.ilot 거짓말은 젊은이에게 있고 종종 완전히 다른 추론 공간이기 때문에 이는 어려운 일입니다. 이는 종종 소음이 발생해야 함을 의미합니다. 추가됨 파일럿 라인에 적용(예: 주변 조건 변경, 다양한 원자재 로트 사용).소규모 연구를 할 때는 효과를 과장하는 것이 중요합니다.요인 효과(예: 굵은 수준 설정)와 노이즈 효과 모두.과장된 노이즈 효과는 차단 및 분할 플롯 전략을 사용하는 실험에서 수용될 수 있습니다.
IMHO , 시뮬레이션 및 부트스트래핑(또는 정량적 방법)은 데이터를 획득한 방법과 데이터가 미래 조건을 얼마나 대표하는지에 따라 완전히 달라집니다.시뮬레이션이나 부트스트래핑에 사용된 데이터가 대표적이지 않으면 두 방법 모두 유용하지 않습니다.
Re: JMP에서 Simulate와 Bootstrap 방법 비교: 언제 어떤 방법을 사용해야 하며, 그 이유는 무엇인가요?제 답변은 원래 게시물과 관련이 없지만, 귀하의 설명에는 Bootstrap과 Simulate의 차이점에 대한 개념이 포함되어 있습니다.
JMP 비선형 적합 매개변수 부트스트래핑에서 제 사례에 적용된 이러한 개념을 명확히 하고 싶습니다. 첨부된 JPG 파일에서는 "비선형 적합" 분석의 매개변수 "추정치" 열에 원클릭 "부트스트랩" 기능을 사용하고 있습니다. 여기서 매개변수 부트스트래핑을 사용하고 있는 건가요?
