Simulieren Sie vs. Bootstrap-Methoden in JMP: welche wann und warum verwendet werden sollenHallo zusammen,
Ich hoffe, dass jemand von JMP eine Erklärung zu den Unterschieden/Gemeinsamkeiten der Ansätze „Simulieren“ und „Bootstrap“ bei der Bewertung von Modellschätzungen liefern kann. (JMP Pro)
Hier finden Sie einige Links zu früheren Discovery Summit-Präsentationen von Gotwalt und anderen Hier , Hier , Und Hier . Ein klarer Unterschied zwischen den Methoden besteht darin, dass Sie bei Simulate eine Spaltenformel durch eine andere Spaltenformel austauschen müssen, beim Bootstrapping hingegen nicht. Ich verstehe das Konzept des Bootstrappings bei der Neuberechnung der Parameterschätzungen, aber es ist mir unklar, warum die gebrochene, zufällig gewichtete Spalte bei der Simulation derselben Daten ausgetauscht werden muss. Sehen Sie sich zum Beispiel den ersten Link oben und die entsprechende Präsentation an, in der dieser Ansatz mithilfe eines Autovalidierungs-Setups erläutert wird (in diesem Fall wurde mit DOE-Ergebnissen gearbeitet).
Was ich gerne besser verstehen würde, sind die Vor- und Nachteile beider Ansätze und wann ein Ansatz besser ist als ein anderer. Ich habe eine breite und hohe Datentabelle, in der ich mehrere Prozessvariablen und Produktqualitätsmessungen habe. Ich möchte den Satz möglicher Prozessvariablen eingrenzen, die das Ergebnis beeinflussen könnten, um der Produktion eine Vorstellung davon zu geben, wo sie untersucht werden sollte. Dazu übernehme ich die Nullfaktor-Idee aus ihren Präsentationen und füge sie als echte Zufallsvariable in das Modell ein. Dann führe ich ein sehr einfaches GenReg-Modell für die Faktoren und die Y-Ausgabe aus, klicke dann mit der rechten Maustaste auf die Spalte mit den Schätzungen und führe entweder die Bootstrap- oder die Simulationsoption für die Parameterschätzungen aus.
Ich erhalte in beide Richtungen nicht die gleichen Ergebnisse, und ich würde gerne verstehen, warum. Ist außerdem ein Ansatz angemessener als ein anderer, da es sich hierbei nicht um ein DOE handelt?
Nachfolgend finden Sie Beispiele für die Ergebnisse in einem Pareto-Diagramm, bei dem alle Faktoren, die seltener als der Nullfaktor in das Modell eingeführt werden, einfach entfernt werden. Das erste Bild zeigt die Ergebnisse der Verwendung der Simulate-Methode, wobei der Faktor ganz rechts im Pareto-Diagramm der Nullfaktor ist. Ebenso zeigt das zweite Bild die Ergebnisse mit der Bootstrap-Methode, wobei sich der Nullfaktor wiederum ganz rechts befindet.
Warum erhalte ich für die beiden Methoden zwei sehr unterschiedliche Ergebnisse? Ist einer „vertrauenswürdiger“ als der andere? Warum sollte ich eine Methode der anderen vorziehen? Ist eine Methode robuster als die andere? Wenn Sie unterschiedliche Ergebnisse erhalten, warum bietet JMP Pro dann diese beiden Optionen?
Für Hinweise hierzu sind wir sehr dankbar.
Danke!,
DS
Erweiterte statistische ModellierungVersuchsplanungPrädiktive Modellierung und maschinelles LernenBetreff: Simulieren vs. Bootstrap-Methoden in JMP: welche wann und warum verwendet werden sollenBootstrapping oder Resampling versucht, die zugrunde liegende Verteilung empirisch zu ersetzen. Bradley Efron gilt allgemein als Erfinder und Entwickler dieser Methodik. Er hat auch seine Mängel untersucht. Die Bootstrap-Proben können dann empirisch Probenstatistiken und -intervalle ermitteln. Es wird keine Bevölkerungsverteilung angenommen. Die Genauigkeit und Stabilität dieser Schätzungen hängen von der Größe der ursprünglichen Stichprobe und der Anzahl der erneuten Stichproben ab.
Die Simulationsmethode geht von einem Verteilungsmodell aus, aus dem Resamples generiert werden. Die Schätzungen hängen stark von der Modellannahme ab.
Diese Antwort ist allgemein gehalten und nicht detailliert. Sie können sich Beispiele beider Methoden vorstellen und wie sie auf spektakuläre Weise erfolgreich sein oder scheitern könnten.
Betreff: Simulieren vs. Bootstrap-Methoden in JMP: welche wann und warum verwendet werden sollenHallo @Mark_Bailey ,
Vielen Dank für Ihr Feedback und Ihre Gedanken.
Es hört sich also so an, als ob (von einem hohen Niveau aus gesehen) der Hauptunterschied darin besteht, wie entweder „Simulation“ oder „Bootstrap“ eine Bevölkerungsverteilung annimmt oder nicht. Aufgrund dieser unterschiedlichen Anforderungen an die Bevölkerungsverteilung gehen die beiden Methoden den Schätzprozess unterschiedlich an, was dazu führt, dass die Simulationsmethode das Ein- und Auswechseln einer weiteren Spalte erfordert.
Ich würde immer noch gerne besser verstehen, ob eine Methode robuster ist als eine andere und wann man eine Methode gegenüber der anderen verwenden sollte. Was sind beispielsweise die Anforderungen an die Bevölkerungsverteilung für die Simulationsmethode? Gibt es Einschränkungen/Einschränkungen, wenn Sie eine Methode nicht einer anderen vorziehen sollten?
In meinem obigen Beispiel erhalte ich bei jeder Methode sehr unterschiedliche Antworten für die Faktoren, die häufiger in das Modell eingehen als der Nullfaktor. Welche Methode kann tatsächlich die genaueste Schätzung der Faktoren liefern, die im Modell verbleiben sollten, im Vergleich zu denen, die im Modell wirklich nicht nützlich sind? Welchem Ergebnis kann ich „vertrauen“?
Die JMP-Onlinehilfe bietet nur begrenzte Erklärungen und geht nicht wirklich auf die Verwendung der einen oder anderen Methode ein.
Danke!,
DS
Betreff: Simulieren vs. Bootstrap-Methoden in JMP: welche wann und warum verwendet werden sollenVerzeihen Sie meine Verwirrung....
Bevor ich meine Gedanken darlege, die wahrscheinlich kontrovers sind, was ist das ultimative Ziel Ihres Beitrags? Einige Ihrer Fragen (z. B. Ist einer „vertrauenswürdiger“ als der andere? Warum sollte ich eine Methode der anderen vorziehen? Ist eine Methode robuster als die andere?) schlagen ein Ziel vor. Andere (z. B. Warum erhalte ich zwei sehr unterschiedliche Ergebnisse für die beiden Methoden? Warum verfügt JMP Pro über diese beiden Optionen?) schlagen vor etwas anderes.Versuchen Sie herauszufinden, welche Methode zu einem Modell führt, das die bereits vorhandene Variation (in einem Prozess oder Datensatz) erklärt, oder zu einem Modell, das für die Vorhersage nützlich ist (analytisch in Demings Begriffen)? ODER sind Sie nur an einer technischen Diskussion über die beiden Methoden interessiert?
Betreff: Simulieren vs. Bootstrap-Methoden in JMP: welche wann und warum verwendet werden sollenHallo @statman ,
Entschuldigen Sie die Verwirrung, und um ehrlich zu sein, ist es ein kleiner Teil von allem, aber es geht noch nicht so sehr darum, zum „endgültigen“ Modell zu gelangen. Es geht eher darum, die wahrscheinlichsten Faktoren zu ermitteln, die weiter untersucht werden müssen – ähnlich wie bei der Predictor Screening-Plattform.
Ich verwende eine modifizierte Methode, ähnlich der, die auf dem Discovery Summit 2018 in Cary vorgestellt wurde – der erste Link in meinem ursprünglichen Beitrag –, um zu versuchen, aus einer sehr großen (>130) Menge möglicher Produktions-Tags (Dinge wie …) zu ermitteln Pumpengeschwindigkeiten, Durchflussraten, Ofentemperatur und Luftstrom), die zum Ergebnis Y beitragen, das in der Qualitätskontrolle gemessen wird. Mit dem GenReg-Ansatz (z. B. Forward Selection oder Pruned Forward Selection) können Sie Schätzungen für die Terme im Modell erhalten – und dies ist ein SEHR vereinfachtes Modell, das nur die Hauptfaktoren berücksichtigt, keine Interaktionen, sonst nichts. Viele dieser Schätzungen liegen für ihre Koeffizienten bei Null oder nahe bei Null.
Anschließend können Sie entweder eine Simulations- oder Bootstrap-Analyse der Schätzungen durchführen. Dies geschieht normalerweise, um eine bessere Sicherheit hinsichtlich des Bereichs möglicher Werte für die Schätzung zu erhalten. Eine weitere Sache, die Sie aus den Verteilungsstatistiken beider Methoden ermitteln können, ist jedoch der Anteil, wie oft der Wert für diese Schätzung ungleich Null ist. Wenn Sie den von Null verschiedenen Anteilswert jeder Schätzung mit dem Nullfaktor vergleichen, erhalten Sie eine Vorstellung davon, ob der Faktor im Modell häufiger vorkommt als der Nullfaktor. Da der Nullfaktor völlig zufällig ist und keine Korrelation mit den tatsächlichen Produktions-Tags aufweist, kann ein Tag, wenn es weniger häufig als der Nullfaktor auftritt, aus zukünftigen Modellierungsbemühungen ausgeschlossen werden. Dadurch können Sie die über 130 möglichen Faktoren auf einen überschaubareren Satz von etwa einem Dutzend reduzieren. Weitere Untersuchungen, Experimente oder Modellierungen können zu diesem Zeitpunkt auf einer viel kleineren Anzahl von Faktoren als zuvor durchgeführt werden.
Was ich besser verstehen möchte, ist, warum die Simulations- und Bootstrap-Methoden unterschiedliche Ergebnisse liefern. Ist es das Vertriebsproblem, über das Mark Bailey gesprochen hat? Reicht die Verwendung der Standardeinstellung von 2500 Resamples nicht aus? Brauche ich mehr? Oder gibt es einen grundlegenderen Grund dafür, dass die beiden Methoden unterschiedliche Ergebnisse liefern?
Ich möchte die technische Seite der beiden Methoden besser verstehen, um eine fundiertere Entscheidung darüber treffen zu können, welche Methode wann zum Einsatz kommt. Wenn die beiden Methoden nicht zu einer ähnlichen Lösung konvergieren (was auch nicht nötig ist), welche Lösung ist dann die „richtige“.
Die Online-Hilfe von JMP enthält nicht viele Informationen, und ich möchte diese Tools besser verstehen, um sie effektiv nutzen zu können.
Danke!,
DS
Betreff: Simulieren vs. Bootstrap-Methoden in JMP: welche wann und warum verwendet werden sollenKeine der beiden Methoden ist es Vorgesetzter in jedem statistischen Sinne. Das heißt, keiner schneidet in jedem Fall besser ab als der andere.
Die Genauigkeit des Ergebnisses muss unabhängig mit einer neuen Vorhersage (also der Schätzung) mit einer neuen Stichprobe überprüft werden.
Die Literatur zu Bootstrapping und Simulation ist umfangreich. Ich kann hier eine allgemeine Frage zu Einschränkungen und Unzulänglichkeiten auf kleinem Raum nicht einfach beantworten. Wird die Stichprobe beispielsweise Populationsmerkmale ausreichend erfassen, wenn die Population breite Ausläufer aufweist oder Ausreißer aufweist? Werden Bootstrap-Stichproben wie echte Stichproben aus der Bevölkerung generiert? Andererseits: Inwieweit glauben Sie dem für die Simulation verwendeten Verteilungsmodell?
Vertrauen ist subjektiv, da zwei Ermittler möglicherweise unterschiedliche Arten und Mengen an Beweisen benötigen, um einer Methode gegenüber der anderen zu vertrauen.
Die Softwaredokumentation dient nicht der Schulung. In diesem Fall müssen Sie andere Quellen nutzen, um mehr über die beiden Ansätze zu erfahren.
Betreff: Simulieren vs. Bootstrap-Methoden in JMP: welche wann und warum verwendet werden sollen@SDF1 Ich werde auch meine Anmerkungen/Meinungen äußern. Ich stimme mit allem überein @Mark_Bailey Und @statman haben bisher dazu beigetragen. Der Verlauf Ihrer Untersuchung ähnelt auf unheimliche Weise dem, mit dem ich während meiner Arbeitszeit in der chemischen Prozessindustrie immer wieder beauftragt wurde. Wir verfügten über zahlreiche Produktions-/Fertigungs-Echtzeitdaten, die wir zum Verständnis von Prozess-/Produktvariationen oder für Korrekturmaßnahmen zu nutzen versuchten, wenn die Magie der Physik, Chemie oder Biologie letzte Nacht während eines Produktionslaufs nicht zusammenkam. Jetzt sind alle Mann an Deck, um herauszufinden, warum? Es hört sich fast so an, als würden Sie versuchen, ein „endgültiges“ Modell zu entwickeln, das alles erklärt. Ich habe festgestellt, dass die Verwendung von Produktionsdaten hierfür im Hinblick auf die Lösung des Problems einfach kein umfassender, effizienter Problemlösungsansatz ist. Die Daten waren einfach zu chaotisch, unvollständig oder es fehlten viele einflussreiche Lärm-/Belästigungsfaktoren, um nützlich und repräsentativ für das zu sein, was uns in der Zukunft erwarten könnte. Was haben wir also gemacht? Wir würden die Ihnen vorliegenden Daten verwenden, um WAHRSCHEINLICH wichtige Faktoren zu identifizieren. Gehen Sie dann „offline“ und führen Sie einen durchdachten Prozessraum durch, der geplante Experimente umfasst, um Faktorvariationen auf sequentielle Weise zu induzieren, um so zu einem effizienten (ressourcenbezogenen, nicht modell-/statistischen) Weg zur endgültigen Problemlösung zu führen. Am Ende des Tages sagte einer der Ingenieure, mit denen ich oft zusammengearbeitet habe: „Man kennt die Grundursache eines Fehlermodus erst, wenn man den Fehlermodus aus- und wieder einschalten kann.“ Der einzig effiziente Weg, den ich kenne, um dieses Wissen zu erlangen, ist die DOE … und nicht die Folterung von Zufallsdaten in ein Modell. Nur meine Meinung. Nehmen Sie es für das, was es wert ist.
Betreff: Simulieren vs. Bootstrap-Methoden in JMP: welche wann und warum verwendet werden sollenHallo @P_Bartell ,
Danke für deine Antwort. Ihre Beschreibung dessen, was Sie in der Vergangenheit erlebt haben, kommt dem am nächsten, was ich in meinen vorherigen Beiträgen zu erklären versucht habe. Das Ziel dieses Ansatzes besteht nicht darin, ein perfekt funktionierendes Modell zu finden, sondern darin, der Produktion dabei zu helfen, jene Prozessdaten auszusortieren, die NICHT wichtig sind. Unser Verfahren ermöglicht es nicht wirklich, echte DOEs in der Produktion durchzuführen – VIEL zu teuer! Wenn wir stattdessen die möglichen Produktionsdatenströme auf diejenigen eingrenzen können, die den wahrscheinlichsten Einfluss haben, können wir DOEs im Labor durchführen, genau wie Sie es betont haben. Das ist was wir machen.
Aus unserem Forschungs- und Entwicklungslabor wissen wir, dass bestimmte Faktoren bestimmte Ergebnisse beeinflussen, wie und warum. Allerdings unterscheiden sich die kleinen Chargen (einige kg/Tag) und die streng kontrollierte Umgebung bei der Herstellung unseres Produkts im Labor VIEL von einer kontinuierlichen Produktion im Großmaßstab, bei der über 500 Tonnen Material pro Tag hergestellt werden. Die kontinuierliche Produktionsausrüstung beeinflusst die Ergebnisse anders als die Art und Weise, wie in kleinen Laborchargen gearbeitet wird. Und bei unserem Verfahren gibt es keinen „Scale-Up“- oder „Scale-Down“-Faktor, der den Batch-Prozess einfach in einen kontinuierlichen Prozess umwandeln kann oder umgekehrt. Daher ist es bei der kontinuierlichen Produktion viel schwieriger herauszufinden, welcher Prozess möglicherweise abweicht oder schwankt und zu Produkten führt, die nicht den Spezifikationen entsprechen.
Um also auf das zurückzukommen, worüber ich ursprünglich lernen wollte, möchte ich durch eine technische Diskussion mehr über die Gemeinsamkeiten und Unterschiede der beiden Methoden erfahren. Gibt es Fälle, in denen eine Methode einer anderen vorgezogen wird, und warum?Auf diese Weise hoffe ich zu erfahren, warum die beiden Methoden so unterschiedliche Ergebnisse liefern, damit ich einen Plan entwickeln kann, wie ich einen zuverlässigeren und robusteren Ansatz zur Bestimmung der WAHRSCHEINLICHSTEN Faktoren finden kann, die wir weiter untersuchen müssen. An diesem letzten Schritt würde ich mit meiner Gruppe in meinem Unternehmen arbeiten, nicht über die JMP-Community.
Auch hier enthält die JMP-Dokumentation nur begrenzte Informationen zu diesen Methoden (vielleicht mehr zum Thema „Simulieren“) sowie begrenzte Informationen darüber, wo weitere Details zu den einzelnen Methoden zu finden sind. Da ich kein Experte für diese Methoden bin, dachte ich, ich würde das Diskussionsforum besuchen, um Ideen/Input zu den Simulations- und Bootstrap-Methoden zu erhalten. Bisher habe ich aus dieser Diskussion herausgefunden, dass Bootstrap keine Verteilung auf den Resamples voraussetzt, wohingegen Simulate von einer Verteilung der Resamples ausgeht und dass keines von beiden besser ist. Nichts davon geht wirklich auf das ein, was ich zu lernen gehofft hatte.Die JMP-Hilfe enthielt einige hilfreiche Informationen, aber nicht alle, und wie unten auf den JMP-Hilfeseiten angegeben:
Daher komme ich zur Community-Diskussion und hoffe, mehr zu erfahren. Auch hier bin ich kein Experte für diese Methoden, habe aber gehofft, dass jemand auf den Community-Seiten einer sein könnte und entweder weitere Informationen oder Ressourcen bereitstellen könnte, die ich lesen könnte, um mehr zu erfahren.
Danke!,
DS
Betreff: Simulieren vs. Bootstrap-Methoden in JMP: welche wann und warum verwendet werden sollenWenn Sie allgemeines Wissen über Bootstrap und Simulation in JMP erhalten möchten, sind die Links (2) und (3) relevanter. Link (1) ist ein fortgeschritteneres Thema und spezifisch für DOE.
William Meeker ist einer der Sprecher von (2) und (3). Vielleicht möchten Sie Kapitel 9 seines Buches „Statistical Methods for Reliability Data“, 2., lesen. Hrsg. Wenn Sie nur Zugriff auf die Erstausgabe haben, sollten Sie sich auch Kapitel 9 ansehen. Die sehr detaillierten Beschreibungen sind dort dokumentiert. Viele von uns haben die Techniken dort gelernt. Ich bin mir aber sicher, dass es noch andere Referenzen gibt. Meekers Materialien decken sowohl die allgemeinen Konzepte der Techniken als auch spezielle Anwendungen der Zuverlässigkeitsanalyse ab. Wenn der Teil der Zuverlässigkeitsanalyse irrelevant ist, können Sie ihn getrost überspringen.
Wenn ich zusammenfassen würde, was in dem Buch steht, zusammen mit dem, was Mark erklärt hat, dann ist das Folgende mein Stichwort.
Die Schritte von „Bootstrap“, auch bekannt als „nichtparametrischer Bootstrap“, umfassen:
- Beispiel aus Ihren Daten
- etwas tun
- Berechnen Sie die Menge Ihres Interesses und sammeln Sie die Menge
- wiederholen.
Die Schritte von „Simulieren“, auch bekannt als „parametrischer Bootstrap“, umfassen:
- Beginnen Sie mit einem Modell mit einigen bekannten Parametern und simulieren Sie daraus ein Beispiel
- etwas tun
- Berechnen Sie die Menge, die Sie interessieren, und sammeln Sie die Menge ein
- wiederholen.
Wie Sie bereits erwähnt haben, besteht der Zweck darin, ein „Konfidenzintervall“ zu ermitteln. Was soll ich wählen? Das hängt von Ihrer Aufgabe ab. Zu der von Ihnen beschriebenen Aufgabe kann ich nichts sagen. Schauen Sie sich jedoch Link (2) und (3) an. Link (2) und der Großteil von (3) beziehen sich auf Anwendungen des „nichtparametrischen Bootstrap“ (oder Bootstrap), da die Aufgabe darin besteht, das Konfidenzintervall von Schätzungen besser zu quantifizieren. für die die Annäherung an große Stichproben in diesem Kontext nicht der effektivste Ansatz ist. Schauen Sie sich nun an, wann „parametrischer Bootstrap“ (oder Simulate) in Link (3) verwendet wird, also zur Leistungsberechnung. Was ist Leistungsberechnung? Für diese Art der Berechnung muss man die Wahrheit kennen. Wenn also eine Entscheidung mit einer Methode getroffen wird, muss man wissen, ob die Entscheidung bei einem Hypothesentest richtig ist oder nicht. Dann kann man die Schlussfolgerung in den richtigen Quadranten in der Tabelle einfügen Fehler vom Typ I und Typ II . Wie kann man sich der Wahrheit sicher sein? Beginnen Sie einfach mit der Wahrheit. Dann ist „parametrischer Bootstrap“ besser geeignet.
Die Bootstrap-Methoden sind vielseitige Technologien. Ich bin sicher, dass das, was ich beschrieben habe, nur die Spitze des Eisbergs ist. Aber was Mark sagte, fasst den Unterschied zusammen: Sie haben unterschiedliche Ausgangspunkte.
Für Ihre spezielle Aufgabe habe ich eine Frage: Wie sind Sie bei der Simulation auf die Formelspalte gekommen? Ist es die Wahrheit, die Sie kennen?
Betreff: Simulieren vs. Bootstrap-Methoden in JMP: welche wann und warum verwendet werden sollenWOW! Wir müssen bei derselben Firma gearbeitet haben ... Sie haben genau beschrieben, wie ich die Hälfte meiner beruflichen Laufbahn bei der Eastman Kodak Company verbracht habe. DOE für Produktionsfilm-/Papierbeschichtungsverfahren/-maschinen waren aus Kosten- und Kapazitätsgründen verboten. Die Skalierbarkeit vom Labortisch über die Pilotphase bis hin zur Produktion war ein auf Papier geschriebener Wunschtraum. Unsere Rettung war, dass es viele kluge Leute gab, die ihr Bestes gaben. Ich werde Ihnen über die Community-Messaging-Funktion eine private Nachricht mit einigen zusätzlichen Gedanken senden.
Betreff: Simulieren vs. Bootstrap-Methoden in JMP: welche wann und warum verwendet werden sollenIch werde einige meiner Gedanken darlegen, die möglicherweise keinen Wert haben und im Hinblick auf die von DS gestellten Fragen möglicherweise nicht nützlich sind. Meine Gedanken stimmen mit denen von Pete überein, da ich ähnliche Erfahrungen habe.Beim Versuch, die Kausalität zu verstehen, gibt es viele verschiedene Ansätze.In ALLEN Fällen ist eine Iteration erforderlich. Ich werde zwei dieser Ansätze zu stark vereinfachen:
1. Ein statistischer Ansatz: Dies ist ein Versuch, in vorhandenen historischen/Beobachtungsdaten nach Hinweisen zu suchen (auch bekannt als Data Mining).Dies erfordert häufig die Verwendung einer Art Regressionsansatz (von dem es viele gibt), bei dem letztendlich nach Mustern in den Antwortvariablen (dh Y-Werten) gesucht und versucht wird, diese mit Mustern in Eingabevariablen (dh X-Werten) zu korrelieren.Statt nur einer quantitativen Betrachtung (z. B. Bootstrapping, Simulation usw.) verwenden Sie grafische Methoden, um nach Mustern zu suchen. Die Korrelation von Mustern sollte Erklärungen dafür liefern, warum diese Muster existieren.Diese Erklärungen sind Hypothesen.Sobald Hypothesen formuliert wurden, sammeln Sie Daten durch gezielte Stichproben (z. B. DOE), um Vertrauen in kausale Zusammenhänge aufzubauen.
2. Ein wissenschaftlicher/technischer Ansatz (auch bekannt als wissenschaftliche Methode): Dieser Ansatz beginnt mit Hypothesen über die möglichen Auswirkungen von Faktoren auf Antwortvariablen.Diese Hypothesen sind eine Funktion der KMU-Erfahrung, der Intuition, der Bildung, des Verständnisses anerkannter wissenschaftlicher Theorien usw.Wenn es eine große Anzahl von Variablen gibt (z. B. >15) und die Hypothesen allgemein sind, kann die gezielte Stichprobenziehung verwendet werden, um die Variationskomponenten zu trennen und in kleinere Teilmengen aufzuteilen. Ich würde diesen Ansatz für Ihre Produktionsprozesse wärmstens empfehlen, da er den Prozess nicht „stört“. Da die Anzahl potenzieller Einflussfaktoren reduziert wird, können Experimente genutzt werden, um Vertrauen in kausale Zusammenhänge aufzubauen (wie Sie angeben).
Welcher Ansatz effektiver und effizienter ist, hängt immer von der Situation ab.Wenn wir auf dem Wissenskontinuum extrem niedrig sind (z. B. wenn es an Fachwissen mangelt), ist Ansatz 1 möglicherweise von Vorteil. Liegen bereits Hypothesen vor, kann Ansatz 2 vorteilhafter sein.
Was die Unfähigkeit betrifft, mit dem Produktionsprozess zu experimentieren (ohne sich auf eine Auseinandersetzung über kurzfristiges oder langfristiges Denken einzulassen), kann dies die Untersuchung komplexer machen.Das Problem ist der Inferenzraum. Gewünscht ist, dass die Pilotlinie den Produktionsprozess widerspiegelt.Dies ist eine Herausforderung, da die Ilot-Lüge in einem jungen Raum liegt und oft einen völlig anderen Schlussfolgerungsraum darstellt. Dies bedeutet oft, dass Lärm vermieden werden muss hinzugefügt zur Pilotlinie (z. B. Umgebungsbedingungen variieren, mehrere Rohstoffchargen verwenden).Bei Studien im kleinen Maßstab ist es wichtig, die Auswirkungen zu übertreiben.Sowohl Faktoreffekte (z. B. fette Pegeleinstellung) als auch Rauscheffekte.Die übertriebenen Rauscheffekte können in Experimenten mithilfe von Blocking- und Split-Plot-Strategien berücksichtigt werden.
meiner bescheidenen Meinung nach , Simulation und Bootstrapping (oder jede andere quantitative Methode) hängen vollständig davon ab, wie Sie die Daten erfasst haben und wie repräsentativ die Daten für zukünftige Bedingungen sind.Wenn die für die Simulation oder das Bootstrapping verwendeten Daten nicht repräsentativ sind, ist keine der beiden Methoden sinnvoll.
Betreff: Simulations- vs. Bootstrap-Methoden in JMP: Welche sollte wann und warum verwendet werden?Obwohl meine Antwort für den ursprünglichen Beitrag nicht relevant ist, enthält Ihre Erklärung Konzepte zu den Unterschieden zwischen Bootstrap und Simulate.
Ich möchte diese Konzepte anhand meines Beispiels im JMP-Parameter-Bootstrapping mit nichtlinearer Anpassung erläutern. In der angehängten JPG-Datei verwende ich die Ein-Klick-Funktion „Bootstrap“ in der Parameterspalte „Schätzung“ der Analyse „Nichtlineare Anpassung“. Verwende ich hier parametrisches Bootstrapping?
