你好，
我的
姓名
是
科琳
麥肯德里
和 I 是 a 進階的 統計 作家 在 跳轉，
但 I 也 喜歡 到 玩 大約 和 功能 數據。
這 專案 是 在 測量 系統 分析 為了 曲線 數據。
第一的， 我是 只是 去 到 給 a 非常 簡短的 背景 在 主動脈瓣置換術 研究 在 一般的。
主動脈瓣置換術 研究 決定 如何 出色地 a 流程
能 是 測量 事先的 到 學習 這 流程 本身。
它 答案 這 問題， 如何 很多 測量 變化 是
貢獻 到 這 全面的 流程 變化。
具體來說， 這 蓋奇 休息和放鬆 方法， 哪個 是 什麼 患病的 是 使用 在 我的 分析，
確定 如何 很多 變化 是 到期的 到 手術 變化
相對 測量 變化。
你 能 使用 a 蓋奇 休息和放鬆 交叉 主動脈瓣置換術 模型 什麼時候 你 有 兩個都 a 部分 和 一個 操作員。
這 模型 你 能 看 這裡 為了 你的 測量 Y 潛水艇 I J 鉀，
那是 去 到 是 這 第K個 測量 製成 經過 這 第J 操作員 在 這 伊斯 部分。
在 這 模型， 你 有 a 意思是 學期，
a 隨機的 影響 那 對應 到 這 部分，
a 隨機的 影響 那 對應 到 這 操作員，
和 a 隨機的 影響 那 對應 到 這 交互作用 或者 叉 學期。
你 也 有 一個 錯誤 學期。
這 是 簡單地 a 隨機的 效果 模型，
和 全部 的 這些 隨機的 效果 是 通常情況下 分散式 隨機的 變數
和 意思是 零 和 一些 相應的 變異數 成分。
什麼時候 你 合身 這 模型，
你 能 使用 那 到 估計 這 變異數 成分
和 然後 使用 那些 變異數 成分 估計
到 計算 這 百分比 量規 休息和放鬆 使用 這 公式 顯示 那裡。
在 a 標準 主動脈瓣置換術 學習，
全部 的 你的 測量 是 去 到 是 單身的 點。
但 什麼 發生 如果 那是 不是 這 案件？
什麼 如果 反而 你是 測量 某物 喜歡 a 曲線？
那 問題 曾是 這 動機 在後面 這 專案.
那裡 曾是 a 客戶 的 跳轉 那 曾是 a 供應商 的 汽車 部分，
和 他們 有 a 顧客 那 指定的
那 a 部分 需要 到 有 a 具體的 力量 經過 距離 曲線。
明顯地， 這 客戶 通緝 到 設計
他們的 產品 到 匹配 這 顧客 指定的 曲線。
在 命令 到 做 那，
他們 通緝 到 跑步 a 功能 回覆 美國能源部 分析
和 跳轉 到 設計 他們的 產品 在 命令 到 做 所以。
然而， 前 開支 錢 在 那 實驗，
他們 通緝 到 執行 一個 主動脈瓣置換術 在 他們的 能力 到 措施 這 部分 力量。
那裡 是 a 很多 更多的 細節 關於 這 實際的 數據 和 這 問題 具體來說
在 一個 早些時候 2020 白色的 紙
標題 測量 系統 分析 為了 彎曲 數據。
如果 你 想 任何 更多的 細節， 看 那 向上。
它 應該 是 在 這 社區。
這 在 這 圖形， 那是 什麼 這 數據 看起來 喜歡。
在 這 Y軸， 我們 有 力量， 和 在 這 X軸， 我們 有 距離。
它 看起來 喜歡 那裡 是 僅有的 10 曲線 在 這 圖形，
但 那裡 是 實際上 250 全部的 曲線。
有 只是 一些 聚類 去 在。
那裡 是 10 不同的 部分， 五 不同的 運營商，
和 五 複製 每 部分 操作員 組合。
A 小的 位元 關於 這 數據， 明顯地，
這些 測量 是 曲線 和 不是 點。
這 數據 曾是 集 均勻地 間隔 在 時間， 但 不是 均勻地 間隔 在 距離。
那裡 是 一些 早些時候 專案
那 嘗試過 a 很少 不同的 方法 到 執行 一些 類型 的 主動脈瓣置換術 學習 在 這 數據。
他們 用過的 一些 功能 成分， 但 留下來 漂亮的 真的 到 a 標準 MSA。
什麼時候 I 看起來 在 這 數據， I 通緝 到 拿 a 真的 功能 方法
因為 I 有 a 背景 在 功能 數據。
功能 數據 分析
是 有用 為了 數據 那 是 在 這 形式 的 函數 或者 曲線。
那裡 是 許多 科技 到 處理 不平等 間隔 數據，
a 很多 的 哪個 是 可用的 在 這 功能 數據 探險家 平台 在 跳轉。
我的 目標 曾是 到 結合 功能 數據 方法 和 傳統的 主動脈瓣置換術 方法
到 執行 一些 類型 的 功能 測量 系統 分析。
我的 解決方案 曾是 到 創造 a 功能 隨機的 效果 模型
經過 擴充 這 功能 模型 使用 自己的 功能 擴張，
重寫 那 作為 a 隨機的 效果 或者 a 混合 模型
如果 你 有 任何 固定的 效果 也,
和 然後 估計 這 變異數
成分 聯繫 和 這 部分 和 操作員 條款。
到 去 a 小的 位元 進入 這 模型 符號。
為了 你的 功能 模型， 你 有 Y 潛水艇 I J 鉀，
但 這 時間 在 a 特別的 距離， D,
到 帳戶 為了 這 功能 自然 的 這 數據。
你是 去 到 有 a 功能 意思是 學期，
a 功能 隨機的 影響 那 對應 到 這 部分，
a 功能 隨機的 影響 那 對應 到 這 操作員，
和 a 功能 隨機的 影響 那 對應 到 這 叉 學期
和 也 你的 錯誤 學期。
這裡， 什麼時候 你 做 這 模型 擴張，
它是 a 小的 數學， 但 本質上，
反而 的 擁有 一 變異數 成分 聯繫 和 這 部分
和 一 變異數 成分 聯繫 和 這 操作員，
你 現在 有 多種的 變異數 成分 聯繫 和 每個 的 那些 事物。
那是 去 到 帳戶 為了 這 功能 自然。
什麼時候 你是 配件 這 模型 和 估計 這 變異數 成分，
喜歡 I 說， 現在 你是 去 到 有 這
放 的 變異數 成分 那 你 能 和 一起
到 估計 這 功能 變異數 成分 為了 部分
和 這 相同的 事物 為了 操作員 和 這 叉 學期。
一次 你 有 全部 那些 個人 變異數 成分，
你 能 使用 那些 到 估計 這 % 量規 休息和放鬆 只是 喜歡 在 a 標準 MSA。
如何 做 I 做 這 在 跳轉？
它是 a 多 步 流程 那是 概述 這裡，
和 那裡 是 一些 更多的 細節 在 其他 幻燈片。
但 本質上， I 估計 這 意思是 曲線 在 頻域擴展 和 獲得 這 殘差 曲線。
I 然後 模型 這 殘差 曲線 在 頻域擴展 到 獲得 這 自己的 函數 需要
為了 這 自己的 功能 擴張 的 這 功能 模型
和 節省 那些 自己的 函數 到 這 原來的 數據 桌子。
我是 去 到 使用 那些 已儲存 自己的 函數 在 FitMix
到 創造 a 隨機的 效果 模型
或者 a 混合 模型 如果 你 也 有 固定的 效果 在 你的 數據。
我是 去 到 使用 嵌套 的 這 自己的 功能 公式 列
和 也 這 關於 和 操作員 變數
到 定義 這 合適的 模型 規格。
這 是 什麼 你的 合身 模型 窗戶 會 看 喜歡。
一次 I 做過 全部 那 為了 這 數據，
I 曾是 有能力的 到 估計 這 變異數 成分 和 計算 這 % 量規 休息與放鬆，
哪個 在 這 案件 曾是 3.3030.
這 表明的 一個 可接受 測量 系統
根據 到 一些 範圍 那 是 定義 在 這 紙 經過 酒吧 團隊。
那 曾是 它 為了 這 數據 分析 為了 我的 部分。
這 結果 曾是 實際上 非常 相似的 到 a 最壞的情況 設想
那 曾是 獲得 在 a 推介會 在 2019年。
它 會 是 有趣的 到 知道 如果 那 曾是 a 巧合
或者 如果 這 結果 會 是 相似的 為了 不同的 數據 作為 出色地。
一些 想法 那 這 專案 激怒了。
應該 我們 添加 a 功能 隨機的 影響 為了 ID
到 捕獲 這 之內 功能 相關性 穿過 距離？
這 類型 的 功能 隨機的 影響
是 實際上 真的 重要的 在 功能 數據
和 是 a 大的 益處 的 會計 為了 這 功能 自然 的 這 數據。
很遺憾， 在 這 數據 在 特別的。
任何時間 I 創建 a 模型 和 這 學期，
這 相應的 變異數 成分 是 零，
所以 它 沒有 真的 捕獲 任何事物 額外的， 但 它 會 是 有趣的
到 看 如果 它 可以 是 有用 在 不同的 類型 的 數據。
I 也 思考 它 會 是 有趣的 如果 我們
可以 計算 a 信心 間隔 為了 這 % 量規 休息和放鬆。
那裡 是 也 一些 次要的， 不是 問題，
但 帶來 向上 問題 的 這 殘差 在 這 隨機的 效果 模型。
I 觀察到 a 週期性的 自然 在 那些。
那是 不是 總是 偉大的。
I 不 思考 它 曾是 a 巨大的 交易，
但 I 會 喜歡 到 有 a 好的 原因 為了 為什麼 那 曾是 這 案件。
那是 它。 謝謝 為了 聆聽。
如果 你 想 更多的 細節 在 這 專案,
它是 非常 相似的 到 a 滿的 30分鐘 演講 那 I 呈現 在 發現 歐洲，
和 所以 那 影片 是 在 這 社群 作為 出色地。
感謝 你。
