你好， 我的 姓名 是 科琳 麦肯德里 和 I 是 a 高级的 统计 作家 在 跳转， 但 I 还 喜欢 到 实验 和 功能 数据。 这 推介会 是 一个 扩大 的 什么时候 闪光 曾是 受到启发 经过 a 推介会 那 曾是 起初 完毕 在 2020 标题 测量 系统 分析 为了 曲线 数据。
那里 曾是 还 a 轻微地 早些时候 推介会 在 a 杰斯曼 会议 在 2019年。 我的 讲话 是 本质上 如何 I 会 去 关于 解决 这 问题 那 是 呈现 在 那些 原来的 文件。 患病的 讨论 他们 a 小的 少量 更多的 之后 也。
第一的， a 小的 少量 的 背景 在 测量 系统 分析。 MSA 研究 决定 如何 出色地 a 过程 能 是 测量 事先的 到 学习 这 过程 本身。 所以 它 答案 这 问题， 如何 很多 测量 变化 是 贡献 到 这 全面的 过程 变化。
具体来说， 这 盖奇 休息和放松 方法， 哪个 患病的 是 使用 之后 在 这 分析， 确定 如何 很多 变化 是 到期的 到 手术 变化 相对 测量 变化。 这些 类型 的 研究 是 重要的 和 他们是 经常 必需的 到 是 执行 事先的 到 任何 类型 的 统计 过程 控制 或者 设计 的 实验。
A 盖奇 休息和放松 古典 MSA 模型 是 显示 这里。 为了 a 给定 测量， 你的 回复， Y 潜艇 I K 是 这 第K个 测量 在 这 伊斯 部分。 在 这 模型， 你 有 a 意思是 学期 和 a 随机的 影响 那 对应 到 这 部分 和 你的 錯誤項目。
这 随机的 影响 在 这 错误 学期 是 通常情况下 分布式 随机的 变量 和 意思是 零 和 一些 相应的 方差 成分。 这 是 简单地 a 随机的 效果 模型， 和 我们 能 使用 那 模型 到 估计 这 方差 成分， 和 然后 使用 那些 方差 成分 估计 到 计算 这 % 量规 休息和放松 使用 这 公式 那是 显示 在 这 屏幕。
这里 我们 有 这 相同的 模型 但 这 交叉 版本。 为了 你的 回复， Y 潜艇 伊吉克斯坦 , 那是 去 到 是 这 第K个 测量 制成 经过 这 第J 操作员 在 开启 这 伊斯 部分。 A 获得， 我们 有 a 意思是 学期， a 随机的 影响 那 对应 到 这 部分， 和 现在 我们 有 a 随机的 影响 那 对应 到 这 操作员， 和 a 随机的 影响 那 对应 到 这 叉 学期， 哪个 是 这 相互作用 之间 这 操作员 和 这 部分， 和 的 课程， 我们的 错误 学期。
全部 的 这些 随机的 效果 是 通常情况下 分布式 随机的 变量 和 意思是 零 和 一些 相应的 方差 成分。 所以 只是 喜欢 在 这 古典 模型， 这 是 只是 a 随机的 效果 模型， 和 我们 能 估计 这 方差 成分 和 使用 他们 到 计算 这 % 量规 休息和放松。
在 两个都 的 这 模型 那 I 只是 描述， 这 回复 或者 这 测量 曾是 a 单身的 观点。 但 什么 发生 如果 这 不是 这 案件？ 什么 如果 你的 测量 是 某物 喜欢 a 曲线 反而？ 这 曾是 这 动机 在后面 那些 最初的 演示文稿 在 2019 和 2020 那 I 谈论 关于。
那里 曾是 a 客户 的 跳转 那 曾是 a 供应商 的 汽车 部分， 和 他们 有 a 顾客 那 指定的 那 a 部分 需要 到 有 a 具体的 力量 经过 距离 曲线。 明显地， 这 客户 通缉 到 匹配 他们的 顾客 指定的 曲线， 和 所以 他们 通缉 到 跑步 a 功能 回复 美国能源部 分析 在 跳转 到 设计 他们的 产品 到 做 那。
然而， 前 开支 这 钱 在 这 类型 的 实验， 他们 第一的 通缉 到 履行 一个 MSA 在 他们的 能力 到 实际上 措施 这 部分 力量。 有 a 很多 更多的 细节 在 这 纸 著名的 在 这 底部， 所以 如果 你是 感兴趣的 在 更多的 的 这 背景， 请 看 那。
这 是 什么 这 数据 看起来 喜欢。 我们 有 力量 在 这 Y 轴 和 距离 在 这 X 轴， 和 这 曲线 是 有色 经过 部分。 它 看起来 喜欢 那里 是 仅有的 10 曲线， 但 那里 是 实际上 250 曲线 在 全部的。 它是 只是 那 a 很多 的 这 曲线 是 聚集 一起。
在 这 数据， 那里 是 10 部分， 五 运营商， 和 五 复制 每 部分 操作员 组合。 I 只是 通缉 到 笔记 那 这 是 模拟 数据， 和 它是 模拟 到 看 相似的 到 这 实际的 数据， 但 那 我们 不是 分享 任何 所有权 数据 这里。
A 很少 功能 特征 那 I 通缉 到 观点 出去， 这 函数 是 实际上 全部 不同的 长度， 所以 他们 有 a 不同的 数字 的 观察 在 他们的 曲线。 虽然 这 函数 是 集 在 同样 间隔 时间 间隔， 他们 是 不是 集 在 同样 间隔 距离。 那 方法 有 不 真的 复制 在 条款 的 距离。
什么时候 这 项目 曾是 第一的 呈现， 一 的 这 原来的 想法 抛出 出去 曾是 无论 我们 可以 挑选 a 放 的 距离 地点 和 做 a 标准 量规 休息和放松 MSA 在 每个 的 那些 地点 和 然后 总结 那 信息 为了 a 最终的 结果。
这 问题 和 那 是 那 如果 我们 挑选 a 具体的 地点， 那里 不是 a 保证 那 那里 会 是 一个 观察 为了 每个 的 那些 曲线 因为 那里 不是 复制 为了 这 距离。 其他 问题 那是 更多的 广义的 是 和 这 类型 的 曲线 数据， 正在做 观点 明智的 分析 喜欢 那 做 不是 拿 进入 帐户 这 之内 功能 相关性。
幸运的是， 有 a 所有的 场地 的 统计数据 投入的 到 这 类型 的 数据 称为 功能 数据 分析。 那里 是 a 种类 的 技术 到 处理 不平等 间隔 数据。 A 很多 的 那些 技术 是 现在 可用的 在 跳转 通过 这 功能 数据 探险家 平台。
这 问题 成为， 能 功能 数据 方法 是 合并 和 传统的 MSA 方法 到 履行 一些 类型 的 功能 测量 系统 分析？ 这 曾是 这 解决方案 那 曾是 呈现 在 这 较老 文件 那 I 參考。 这 是 只是 去 到 是 a 小的 少量 的 a 审查 的 什么 他们 做过。
第一的， a 受到处罚 样条线 模型 曾是 合身 到 估计 这 部分 力量 函数 和 所以 那里 是 10 函数 那 是 估计的， 平均 超过 操作员 和 重复。 然后 这些 函数 是 减去 从 这 原来的 力量 函数 到 获得 a 放 的 残差 力量 功能。 这些 残差 函数 不 更长 包含 任何 变化 到期的 到 这 部分。 全部 的 这 变化 在 那些 残差 是 到期的 到 这 操作员 和 这 重复。
他们 然后 合身 a 随机的 效果 模型 到 这 残差 获得 这 相应的 方差 成分 从 这 模型。 A 图形 方法 曾是 然后 用过的 到 寻找 这 最小 部分 方差 到 使用 作为 一个 估计 为了 这 部分 方差 成分。
这 曾是 然后 用过的 到 计算 a 类型 的 最差 案件 设想 % 量规 休息和放松。 这 方法 他们 工作 相当 出色地。 他们 得到 结果 那 制成 感觉 和 这 客户 曾是 快乐的。 但 这 曾是 只是 a 概括 的 a 标准 MSA 和 一些 功能 成分 洒 在。
什么时候 I 看起来 在 这 数据 和 什么时候 I 看起来 在 这 问题， I 通缉 到 尝试 到 拿 a 更多的 传统的 功能 方法。 I 有 a 背景 在 功能 数据 分析， 和 那 是 什么 我的 论文 曾是 在， 具体来说 功能 混合 模型。 那里 曾是 a 章 在 我的 论文 投入的 到 估计 和 测试 这 方差 成分 从 功能 混合 模型。
I 做过 那 经过 扩展 这 功能 模型 使用 自己的 功能 或者 基础 功能 扩展 和 重写 它 作为 a 混合 模型 和 然后 使用 已知 技术 到 估计 那些 方差 成分。 I 开始 到 思考， 可以 I 使用 这 相同的 类型 的 技术？
I 不 需要 a 满的 混合 模型。 I 仅有的 有 随机的 效果 这里。 能 I 创造 a 功能 随机的 效果 模型 为了 这 部分 和 操作员 方差 成分？
这 是 什么 I 来了 向上 和 为了 a 功能 MSA 穿过 模型， 自从 我们 做 有 一个 操作员 学期。 为了 功能 模型， 他们是 放 向上 a 小的 少量 不同地 因为 他们是 全部 基于 大约 这 输入。 在 这 案件， 你的 回复， Y 潜艇 伊吉克斯坦 是 这 第K个 复制 制成 经过 这 第J 操作员 在 这 伊斯 部分， 但 这 时间 在 a 特别的 距离， D.
我们 有 a 功能 意思是 学期， a 功能 随机的 影响 那 对应 到 这 部分， a 功能 随机的 影响 那 对应 到 这 操作员， 和 a 功能 随机的 影响 那 对应 到 这 叉 学期 和 我们的 错误 学期。
在 这 方法， I 减去 这 意思是 学期 超过， 和 所以 我是 左边 和 这 放 的 残差， 和 那是 什么时候 我是 去 到 模型。 这 这里 代表 这 自己的 功能 扩张 的 这 功能 模型。 是 去 到 有 首都 B 自己的 功能和 和 全部 的 那些 部分 一起 到 创造 这 大的 长的 随机的 效果 模型。
但 为了 一 自己的 功能， 什么 是 显示 在 这些 括号 是 这 扩张。 为了 每个 功能 随机的 影响， 它是 分裂 进入 二 部分。 我们 有 a 功能 部分 和 然后 只是 a 常规的 部分。 这 功能 部分 是 采取 关心 的 经过 评估 那些 自己的 功能。 然后 我们 有 只是 标准 随机的 条款 为了 这 部分， 这 操作员， 和 这 叉 学期。
然后 什么 这 本质上 做 是 你 建造 这 长的 随机的 效果 模型， 和 然后 你 有 a 数字 的 方差 成分 为了 每个 学期。 为了 这 MSA， 那里 将要 现在 是 三 套 的 首都 B 方差 成分。 有 去 到 是 首都 B 部分 方差 成分， 首都 B 操作员 方差 成分， 和 首都 B 叉 学期 方差 成分。
因为 的 这 方式 自己的 函数 是 结构化， 他们 是 已知 到 是 独立的 和 所以 我们 能 认为 那 基于 在 如何 我们 结构化 这 模型， 全部 的 这些 方差 成分 是 实际上 独立的 从 每个 其他 还。 那 方法 我们 能 和 他们 一起 到 获得 这些 功能 方差 成分。
自从 是 只是 求和 他们 一起， 我们 能 还 代替 他们 进入 这 公式 为了 这 % 量规 休息和放松 和 计算 那 只是 喜欢 我们 做过 在 这 标准 模型。
如何 做 I 实际上 做 这 在 跳转？ 出色地， 它是 a 多 步 过程。 我是 去 到 简要地 大纲 它 这里， 和 然后 我是 去 到 做 a 演示 为了 你。 第一的， 我是 去 到 估计 这 意思是 曲线 在 频域扩展 和 获得 这 残差 曲線。 我是 然后 去 到 模型 那些 残差 曲线 服务 还 一个 频域扩展 到 获得 这 自己的 函数 需要 为了 这 自己的 功能 扩张。
我是 去 到 节省 那些 自己的 函数 到 这 原来的 数据 桌子 和 使用 他们 在 菲特混合。 使用 FitMix， 我是 去 到 合身 a 随机的 效果 模型 到 这 原来的 数据 使用 嵌套 和 这 自己的 函数 到 定义 这 合适的 模型 规格。
希望如此， 那 全部 使 a 小的 少量 更多的 感觉 一次 I 演示 它。 是 去 到 出口 出去 的 这里。 这里 是 我们的 数据， 和 我们 有 a 柱子 为了 这 ID 多变的， a 柱子 为了 这 部分 多变的 那 定义 这 10 部分， 这 操作员， 哪个 定义 这 五 运营商， 我们的 距离 柱子， 和 我们的 力量 柱子。
只是 作为 a 提醒， 这 是 什么 这 数据 看起来 喜欢。 我的 第一的 步 是 到 估计 这 意思是 功能 的 这 力量 曲线 和 然后 使用 那 到 获得 一些 残差。 到 做 那， 我是 去 到 模型 这 力量 函数 在 FDE。 我是 去 到 去 到 这 分析 菜单， 专业化 造型 和 选择 功能 数据 探索者。
我是 去 到 定义 力量 作为 我的 输出， 距离 作为 我的 输入。 然后 因为 I 想 这 意思是 功能 平均 超过 全部 的 这 身份证件， 我是 不是 去 到 指定 一个 ID 功能 这里。 我是 去 到 点击 好的。 我们 有 我们的 基本的 介绍 频域扩展 报告。 但 I 想 到 合身 a 模型， 所以 I 能 去 到 这 红色的 三角形 菜单， 模型。
从技术上讲， 你 可以 合身 任何 的 那些 模型。 I 只是 选择 a B 样条线 因为 它是 第一的， 它是 简单的， 和 它会 只是 拿 a 很少 秒 到 跑步 这里。 好的， 所以 这是 我们的 模型 合身。 有 a 红色的 线 这里 那是 漂亮的 难的 到 看， 但 那 是 什么 是 这 意思是 功能， 这 估计的 意思是 功能。 我是 去 到 给 你 a 更好的 图片 的 那 在 a 分钟 或者 所以。
但 I 实际上 想 到 节省 这 函数 为了 这 模因。 I 能 做 那 经过 去 到 这 功能 摘要 报告。 I 能 点击 这 红色的 三角形 菜单 和 选择 定制 功能 摘要。 I 仅有的 想 这 相同的 公式， 所以 我是 去 到 取消选择 他们 全部 和 然后 重新选择 那 一 和 点击 好的 和 节省。
I 得到 a 新的 数据 桌子 和 什么 出现 到 是 这 孤独 小的 入口 这里。 那里 是 a 隐 柱子， 所以 我是 去 到 取消隐藏 那。 我们 有 a 距离 柱子 和 然后 我们 有 这 力量 意思是 功能 公式。 我是 去 到 拿 a 看 在 那， 什么 那 实际上 看起来 喜欢。
什么时候 我们 看 在 这 公式 柱子， 我们 能 看 那 这 是 a 功能 的 距离。 为了 任何 价值 的 距离， 这 是 去 到 是 评估 到 给 什么 这 意思是 功能 是 在 那 距离。 这 公式 柱子 能 是 放 进入 任何 数据 桌子 那 还 包含 a 距离 柱子。 那是 确切地 什么 是 去 到 做。
是 去 到 制作 当然 这 是 突出显示。 是 去 到 正确的 点击 和 选择 复制 柱子 特性。 然后 是 去 到 寻找 我们的 方式 后退 到 我们的 原来的 数据 桌子。 双倍的 点击 到 创造 a 新的 柱子。 我是 去 到 正确的 点击 这里 和 做 粘贴 柱子 特性。 现在 我们 有 这 意思是 力量 评估 在 每一个 等级， 每一个 距离 价值 在 我们的 数据 桌子。
我们 能 使用 那 到 现在 寻找 我们的 残差 功能。 我是 去 到 双倍的 点击 再次 到 创造 a 新的 柱子 和 标题 它 力量 残留物。 现在 我是 去 到 创造 我的 自己的 公式 柱子 那 是 简单地 去 到 是 力量 减 这 意思是 力量。 我是 去 到 点击 好的。 现在 我们 有 我们的 放 的 残差 和 这 是 什么 它 看起来 喜欢。
在 这 顶部 图形， 这些 光 灰色的 曲线 是 这 原来的 函数 从 这 力量 柱子。 这 红色的 线 是 这 相同的 红色的 线 那 I 尝试过 到 展示 你 在 这 频域扩展 报告 那 曾是 难的 到 看， 但 这 是 什么 那 曾是。 那是 这 意思是 功能。
然后 这 底部 图形 在 绿色的 节目 这 残差 曲線。 这些 是 这 曲线 那 我是 去 到 使用 到 继续 和 我的 分析。 我的 下一个 步 是 去 到 是 到 模型 这 残差 曲线 使用 频域扩展 到 获得 这 自己的 函数 那 I 需要 为了 这 模型 扩张。 我是 去 到 去 到 这 分析 菜单 再次， 选择 专门 造型， 功能 数据 探索者。
这 时间 我是 去 到 指定 这 残差 作为 这 输出， 距离 作为 这 输入， 和 I 是 去 到 指定 我的 ID 柱子 这 时间。 我是 去 到 点击 好的。 我们 有 我们的 初始端口 这里， 和 现在 I 想 到 合身 a 模型 到 这 数据。 I 去 到 这 红色的 三角形 菜单 到 看 在 这 模型。
再次， 从技术上讲， 你 能 合身 任何 的 这些 模型。 在 我的 实验， I 成立 那 这些 顶部 三， 他们 拿了 a 真的 长的 时间 到 合身， 和 他们 没有 提供 极好的 伟大的 适合 为了 什么 I 需要。 这 小波 模型 和 这 直接的 功能 主成分分析 是 很多， 很多 更快 和 尽管 还 提供 更好的 适合。
这 警告 和 那些 二 模型 是 那 他们 要求 这 数据 到 是 在 一个 均匀地 间隔 网格。 A s I 提及， 什么时候 I 介绍 这 数据， 那是 不是 这 案件。 然而， 在 FDE， 我们 有 一些 数据 加工 步骤 那 帮助 我们 操纵 我们的 数据 a 小的 少量。 我们 能 去 到 这 干净的 向上， 减少， 和 这 第一的 标签 是 什么 我们 想， 和 我们 能 使用 那。
现在 那 只是 看跌期权 它 所以 那 每一个 距离 价值 有 一个 观察， 有 a 力量 残差 观察。 现在 我们 能 去 前方 和 合身 一 的 那些 模型。 I 只是 选择 直接函数 主成分分析。 A s 你 能 看， 它 曾是 非常 快的。 这 配件 曾是 极好的 快速地。
这 功能 主成分分析 报告 是 在哪里 是 去 到 得到 全部 的 我们的 信息 那 我们 需要。 但 I 曾是 只是 去 到 滚动 向下 到 看 在 这 数据 合身 a 小的 少量。 我们 能 看 那 这些 看 漂亮的 好的。 然后 如果 我们 看 在 这 诊断 情节， 这些 是 在 这 对角线， 这 残差 看 好的。 这 看起来 喜欢 a 漂亮的 好的 合身， 和 I 能 使用 这 信息 从 这 功能 主成分分析。
在 这 功能 主成分分析 报告， 我们 有 a 桌子 的 自己的价值观 和 然后 这些 图表 的 我们的 形状 功能。 这 形状 函数 是 实际上 我们的 自己的 功能。 他们是 只是 称为 形状 函数 在 跳转。 如何 这些 函数 工作 是 那 你的 原来的 输入， 所以 距离， 是 在 这 X 轴， 和 然后 这 自己的 功能 评估 是 在 这 Y 轴。
为了 任何 距离 D, 你是 去 到 有 一个 评估 在 自己的 功能 1 , 一个 评估 在 自己的 功能 2、 和 所以 在。 你 能 使用 这 自己的 函数 到 得到... 你 能 使用 a 线性 组合 的 这 自己的 函数 到 得到 一个 估计 的 这 原来的 功能。
这 特征值 桌子 给出 你 一个 主意 的 如何 很多 % 的 这 全面的 数据 变化 你是 服用 进入 帐户 什么时候 你 使用 a 肯定 数字 的 特征值， 自己的 功能 配对。 在 这 案件， 这 第一的 特征值 和 自己的 功能 配对 实际上 账户 为了 99.9 % 的 这 全部的 变化 在 这 数据， 哪个 是 实际上 漂亮的 极好的。
这 是 重要的 在 确定 如何 许多 自己的 函数 你是 去 到 使用 为了 这 基础 扩张。 通常 什么时候 你是 选择 a 数字 的 自己的 函数 到 使用， 你 不 实际上 想 到 使用 全部 的 这 自己的 函数 那 你是 给出。
你 想 到 使用 这 至少 数字 的 自己的 函数 那 仍然 帐户 为了 一个 足够的 数量 的 变化 在 这 数据。 这 是 因为 这 更多的 自己的 函数 你 使用， 这 大 你的 随机的 效果 模型 是 去 到 是， 和 它是 去 到 是 更难 到 估计。
什么 做 会计 为了 一个 足够的 数量 的 变化 在 这 数据 意思是？ 它 能 意思是 不同的 事物 到 不同的 人们 在 不同的 字段。 通常， 什么时候 我是 在职的 和 这， I 有 用过的 在 这 过去的 关于 90 % 作为 a 切 离开。 如果 I 曾是 只是 正在做 这 分析 到 做 这 分析， I 可能 仅有的 拿 这 第一的 自己的 功能 自从 它 解释 所以 很多， 和 跑步 和 那。
为了 示范 目的， 我是 去 到 拿 这 第一的 二 只是 所以 你 能 看 什么 这 模型 扩张 看起来 喜欢 使用 二 自己的 功能。 到 节省 这些， 我是 去 到 去 到 这 功能 摘要 报告 再次， 点击 在 这 红色的 三角形 菜单 和 选择 定制 功能 摘要。
I 只是 提及 那 我是 仅有的 去 到 节省 二 的 他们， 所以 I 想 到 进入 二 这里。 我是 去 到 取消选择 这些 全部 再次 和 仅有的 节省 这 公式。 I 能 点击 好的 和 节省 和 I 有 其他 新的 数据 桌子 现在。 这 事物 那 I 需要 是 实际上 隐。 我们 想 到 看 为了 这些 力量 残渣 形状 函数 哪个 代表 我们的 自己的 功能。
我们 能 取消隐藏 那些 所以 那 他们是 现在 包括 在 我们的 数据 桌子。 我们 能 拿 a 看 在 这些 公式 列。 只是 喜欢 和 我们的 意思是 功能， 这 是 简单地 a 功能 的 距离。 为了 任何 价值 的 距离， 这些 公式 是 去 到 给 你 什么 这 自己的 功能 价值 是 在 那 距离。
还， 喜欢 这 主要的 功能， 我们 能 放 这些 公式 列 进入 任何 数据 桌子 那 还 包含 a 距离 柱子。 那是 什么 是 去 到 做 再次。 是 去 到 放 这些 公式 列 进入 我们的 原来的 数据 桌子。
是 去 到 制作 当然 两个都 的 这些 是 突出显示 和 正确的 点击 和 选择 复制 柱子 特性。 再次， 寻找 我们的 方式 后退 到 我们的 原来的 数据 桌子。 I 想 到 添加 二 新的 列 到 我的 数据 桌子。 我是 去 到 去 到 呼叫， 新的 列。 是 只是 去 到 标题 他们 E1 和 2 到 代表 这 自己的 功能。 I 想 到 添加 二 列 和 I 想 到 添加 他们 作为 a 团体。 患病的 点击 好的。
然后 和 这些 二 新的 列 突出显示， 我是 去 到 正确的 点击 和 选择 粘贴 柱子 特性。 现在 我们 有 我们的 自己的 函数 评估 为了 每一个 距离。
只是 到 给 你 一个 主意， 这 是 什么 他们 看 喜欢 和 它是 这 相同的 图形。 它是 几乎 这 相同的 图形 作为 什么 曾是 在 这 频域扩展 报告。 是 只是 服用 什么 曾是 图形地 那里 和 现在 我们 有 这 数字 为了 一切， 为了 每一个 价值 这里。
现在 我们 想 到 做 这 自己的 功能 扩张 和 扩张 我们的 功能 模型。 但 什么 做 那 模型 实际上 看 喜欢 什么时候 你 有 二 自己的 功能？ 我是 去 到 跳 后退 超过 到 我的 幻灯片 真实的 快的 和 展示 你 什么 这 模型 扩张 看起来 喜欢 什么时候 首都 B 等于 2.
I 有 这 分裂 进入 a 部分 为了 这 部分， 这 操作员， 和 这 叉 学期。 然后 之内 每个 的 这些 部分， 我们 看 那 我们 有 a 学期 那 涉及 自己的 功能 一 和 a 学期 那 涉及 自己的 功能 二。 本质上， 这 方法 那 是 去 到 有 二 方差 成分 为了 部分， 二 方差 成分 为了 这 操作员， 和 二 方差 成分 为了 这 叉 学期。
现在 我是 去 到 去 后退 到 我的 数据 桌子。 I 想 到 合身 这 模型 使用 合身 模型。 我是 去 到 去 到 这 分析 菜单 和 选择 合身 模型。 I 想 到 指定 我的 性格 作为 这 混合 模型。 现在 我是 去 到 指定 这 残差 作为 我的 和。 然后 我是 去 到 移动 向下 到 这 效果 部分。
在 这 固定的 效果 标签， I 不 有 任何 固定的 效果 和 I 还 不 有 一个 截距 因为 I 意思是 学期 超过 起初。 现在 我是 去 到 移动 到 这 随机的 效果 选项卡。 这里 是 在哪里 我是 去 到 使用 这 自己的 函数 和 这 部分 和 操作员 变量 和 巢 他们 在 一个 合适的 方式 到 定义 这 模型 那 I 只是 显示 你。
我们 能 添加 两个都 的 这些 自己的 函数 和 是 去 到 选择 这些 和 还 选择 部分。 是 去 到 巢 部分 在 每个 自己的 功能。 然后 是 去 到 做 这 相同的 事物 为了 操作员 和 这 相同的 事物 为了 这 叉 学期。 那是 如何 是 去 到 定义 我们的 模型。
这 最后的 事物 I 想 到 做 在 这 发射 窗户 是 取消选择 这 无界 方差 成分 选项。 什么时候 这 是 选定， 它 方法 那 你 能 有 消极的 估计 或者 方差 成分， 和 I 不 想 那。
任何 消极的 估计 是 只是 去 到 是 放 到 零。 现在 I 能 跑步 这， 和 我们 有 我们的 报告 这里。 这 是 这 桌子 那是 去 到 给 我们 我们的 估计 那 我们 需要 到 计算 这 % 量规 休息与放松， 但 我是 去 到 戳 大约 这 报告 a 小的 少量 第一的。
这 实际的 经过 预测 阴谋 看起来 真的 诡异的 在 第一的， 但 它 使 感觉 什么时候 你 思考 关于 它。 自从 我们 不 有 任何 固定的 效果 或者 一个 截距， 什么时候 我们 不 拿 这 随机的 效果 进入 帐户， 我们的 估计 为了 一切 是 只是 零。 什么时候 我们 做 拿 那些 随机的 效果 进入 帐户， 我们 看 那 这 实际的 经过 有条件的 预测 阴谋 看起来 a 很多 更好的 和 那 这些 观察 落下 漂亮的 出色地 沿着 这 对角线。
我们 能 还 拿 a 看 在 这 有条件的 残差 情节， 和 我们 能 看 那 他们是 漂亮的 小的 和 他们是 居中 大约 零。 我们 做 有 一些 偏差 从 这 线 这里， 但 有 没有什么 极好的 疯狂的 关于 这 残差。 I 感觉 好的 关于 使用 这些 估计 到 计算 这 永久的 量规 休息和放松。 I 实际上 拉 这 桌子 和 放 它 后退 进入 我的 幻灯片。 我是 去 到 去 后退 到 我的 幻灯片 为了 这 余 的 这 推介会。
这是 那 数据 桌子， 不是 数据 桌子， 这 报告 桌子 那 曾是 只是 那里。 作为 你 能 看， 你 有 a 方差 成分， S2 方差、成分、 估计 为了 部分， 二 为了 操作员， 和 二 为了 这 叉 学期。 A s I 提及 什么时候 I 曾是 描述 这 模型， 我们 能 和 这些 一起 到 计算 这 功能 方差 成分。
这些 具体的 数字 不是 作为 重要的 在 这 分析 作为 什么 你 得到 什么时候 你 放 他们 进入 这 公式 为了 这 % 量规 休息和放松。 所以 什么时候 I 做 那， 我们 得到 a % 量规 休息和放松 的 3.3030. 那 是 什么 酒吧 团队 定义 作为 一个 可接受 测量 系统。 如果 这 有 到过 我的 项目， I 会 有 走了 后退 到 这 客户 和 说 那 它 似乎 喜欢 你的 测量 系统是 准确的， 你 能 去 前方 和 继续 和 你的 设计 的 实验。
那是 基本上 它 为了 这 分析 为了 这 特别的 数据。 只是 一些 想法 那 I 有。 这 结果 曾是 实际上 非常 相似的 到 这 最差 案件 设想 % 量规 休息和放松 那 曾是 呈现 在 这 2019 杰斯曼 推介会。 它 曾是 更高 经过 只是 a 很少 十进制 地方。 它会 是 真的 有趣的 到 比较 这些 方法 和 其他 数据 套 到 看 如果 他们 是 总是 相似的 或者 如果 这 曾是 只是 a 快乐的 巧合。
I 不 有 很多 经验 在 全部 和 测量 系统， 和 所以 I 不 有 任何 其他 数据 到 玩 大约 和 或者 甚至 真的 知道 如何 到 获得 它。 如果 任何人 有 任何 数据 那 他们 思考 可能 申请 到 这 类型 的 项目， 任何 功能 数据 那 还 他们 可能 想 到 做 一个 MSA 在， ID 是 真的 感兴趣的 在 听力 关于 它。
为了 一些 未来 工作， 一些 想法 那 I 有 曾是， 这 第一的 一 曾是， 应该 I 添加 a 功能 随机的 影响 为了 这 ID？ 这 是 非常 通常 完毕 在 a 很多 的 功能 混合 模型， 在 至少 在 这 字段 那 I 工作 在。 这 曾是 a 大的 贡献 在 我的 论文 曾是 这 使用 的 这 功能 随机的 影响 为了 ID。
通常， 这 捕获 这 之内 功能 相关性 穿过， 在 这 案件， 距离。 I 播放 大约 和 这 随机的 影响 在 这 数据， 和 每一个 模型 I 用过的， 这 数字 的 自己的 函数 I 用过的， 它 没有 事情。 这 方差 成分 联系 和 这 随机的 影响 总是 来了 出去 到 是 零， 和 那是 不是 有用。
I 思考 在 这 案件， 一次 你 拿了 进入 帐户 这 方差 从 这 部分 和 这 操作员， 那里 只是 不是 任何 变化 左边 到 帐户 为了。 I 不 知道 如果 那是 真的 为了 全部 功能 MSA 研究 或者 如果 这 曾是 只是 真的 为了 这 特别的 数据。 如果 I 曾是 曾经 有能力的 到 得到 我的 手 在 一些 不同的 数据， 这 是 确实 某物 I 会 保持 在 头脑 到 看 如果 它 可以 是 额外 到 a 模型 在 任何 其他 数据 套 更多的 成功地。
I 还 思考 它 会 是 凉爽的 如果 我们 可以 计算 a 信心 间隔 为了 这 % 量规 休息和放松。 和 最后， I 通缉 到 讲话 关于 这 一 事物 I 不是 极好的 快乐的 和 在 这 项目， 哪个 曾是 这 残差。 什么 曾是 错误的 和 他们？
这些 是 图表 的 一些 不同的 模型 和 这 残差 为了 每个 一。 我是 去 到 去 后退 和 向前 之间 这 滑动 和 这 下一个 一。 所以 是的， 这 残差 是 相对地 小的。 他们是 居中 大约 零。 有 不 疯狂的 尖峰 或者 异常值， 和 那是 好的。 那是 什么 我们 想。
然而， 在 全部 这 模型 I 合身， I 只是 仍然 没有 爱 如何 他们 看起来 穿过 距离。 寻找 在 这 残差 这 方式 是 尤其 重要的 什么时候 在职的 和 功能 数据。 这 是 因为 它 能 真的 展示 什么时候 你是 不是 捕获 全部 这 功能 部分 的 这 数据。
A 很多 的 次 在 功能 数据， 你 看 这 扇动 影响 在哪里 这 残差 是 真的 好的 在 这 开始， 和 然后 作为 你 得到 向 这 结尾 的 你的 领域， 他们 扇子 出去 a 小的 少量。 这 数据 实际上 有 几乎 这 对面的 问题。 我们 能 看 那 这 残差 是 a 小的 少量 更宽 在 这 开始 的 这 领域 和 得到 更近 到 零 作为 距离 获取 更大。
有 还 确实 一些 类型 的 周期性的 图案 在 这些 残差。 I 不 思考 它是 这 结尾 的 这 世界。 I 思考 他们是 极好的 居中 大约 零， 但 你 能 看 在 这些 图表 那 有 清楚地 一些 向上 和 向下 模式。 本质上 什么 那 方法 是 那 我是 丢失的 某物。 我是 不是 捕获 这 满的 功能 自然 的 这 数据， 和 I 不 真的 知道 为什么 然而。
ID 真的 喜欢 到 数字 那 出去 和 合身 一个 甚至 更好的 模型， 无论 那是 可能的 和 这 数据 或者 不同的 数据 在 这 未来。 我是 不是 当然， 但 它是 确实 某物 I 想 到 花费 a 小的 更多的 时间 在， 和 ID 是 打开 到 任何 讨论 任何人 会 喜欢 到 有 关于 它。
那是 它 为了 我。 谢谢 为了 观看。 如果 你 有 任何 问题， 建议， 问题 或者 反馈， 感觉 自由的 到 电子邮件 我。 感谢 你。
