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 實驗 和 功能 數據。 這 推介會 是 一個 擴大 的 什麼時候 閃光 曾是 受到啟發 經過 a 推介會 那 曾是 起初 完畢 在 2020 標題 測量 系統 分析 為了 曲線 數據。
那裡 曾是 也 a 輕微地 早些時候 推介會 在 a 傑斯曼 會議 在 2019年。 我的 演講 是 本質上 如何 I 會 去 關於 解決 這 問題 那 是 呈現 在 那些 原來的 文件。 患病的 討論 他們 a 小的 位元 更多的 之後 也。
第一的， a 小的 位元 的 背景 在 測量 系統 分析。 MSA 研究 決定 如何 出色地 a 過程 能 是 測量 事先的 到 學習 這 過程 本身。 所以 它 答案 這 問題， 如何 很多 測量 變化 是 貢獻 到 這 全面的 過程 變化。
具體來說， 這 蓋奇 休息和放鬆 方法， 哪個 患病的 是 使用 之後 在 這 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。 這些 類型 的 研究 是 重要的 和 他們是 常 必需的 到 是 執行 事先的 到 任何 類型 的 統計 過程 控制 或者 設計 的 實驗。
A 蓋奇 休息和放鬆 古典 MSA 模型 是 顯示 這裡。 為了 a 給定 測量， 你的 回覆, Y 潛水艇 I K 是 這 第K個 測量 在 這 伊斯 部分。 在 這 模型， 你 有 a 意思是 學期 和 a 隨機的 影響 那 對應 到 這 部分 和 你的 錯誤項目。
這 隨機的 影響 在 這 錯誤 學期 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。 這 是 簡單地 a 隨機的 效果 模型， 和 我們 能 使用 那 模型 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 % 量規 休息和放鬆 使用 這 公式 那是 顯示 在 這 螢幕.
這裡 我們 有 這 相同的 模型 但 這 交叉 版本。 為了 你的 回覆, Y 潛水艇 伊吉克 , 那是 去 到 是 這 第K個 測量 製成 經過 這 第J 操作員 在 開啟 這 伊斯 部分。 A 獲得， 我們 有 a 意思是 學期， a 隨機的 影響 那 對應 到 這 部分， 和 現在 我們 有 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 叉 學期， 哪個 是 這 交互作用 之間 這 操作員 和 這 部分， 和 的 課程， 我們的 錯誤 學期。
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。 所以 只是 喜歡 在 這 古典 模型， 這 是 只是 a 隨機的 效果 模型， 和 我們 能 估計 這 變異數 成分 和 使用 他們 到 計算 這 % 量規 休息和放鬆。
在 兩個都 的 這 模型 那 I 只是 描述， 這 回覆 或者 這 測量 曾是 a 單身的 觀點。 但 什麼 發生 如果 這 不是 這 案件？ 什麼 如果 你的 測量 是 某物 喜歡 a 曲線 反而？ 這 曾是 這 動機 在後面 那些 最初的 簡報 在 2019 和 2020 那 I 談論 關於。
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 匹配 他們的 顧客 指定的 曲線， 和 所以 他們 通緝 到 跑步 a 功能 回覆 美國能源部 分析 在 跳轉 到 設計 他們的 產品 到 做 那。
然而， 前 開支 這 錢 在 這 類型 的 實驗， 他們 第一的 通緝 到 執行 一個 MSA 在 他們的 能力 到 實際上 措施 這 部分 力量。 有 a 很多 更多的 細節 在 這 紙 著名的 在 這 底部， 所以 如果 你是 有興趣的 在 更多的 的 這 背景， 請 看 那。
這 是 什麼 這 數據 看起來 喜歡。 我們 有 力量 在 這 Y 軸 和 距離 在 這 X 軸， 和 這 曲線 是 有色 經過 部分。 它 看起來 喜歡 那裡 是 僅有的 10 曲線， 但 那裡 是 實際上 250 曲線 在 全部的。 它是 只是 那 a 很多 的 這 曲線 是 聚集 一起。
在 這 數據， 那裡 是 10 部分， 五 運營商， 和 五 複製 每 部分 操作員 組合。 I 只是 通緝 到 筆記 那 這 是 模擬 數據， 和 它是 模擬 到 看 相似的 到 這 實際的 數據， 但 那 我們 不是 分享 任何 所有權 數據 這裡。
A 很少 功能 特徵 那 I 通緝 到 觀點 出去， 這 函數 是 實際上 全部 不同的 長度， 所以 他們 有 a 不同的 數位 的 觀察 在 他們的 曲線。 雖然 這 函數 是 集 在 同樣 間隔 時間 間隔， 他們 是 不是 集 在 同樣 間隔 距離。 那 方法 有 不 真的 複製 在 條款 的 距離。
什麼時候 這 專案 曾是 第一的 呈現， 一 的 這 原來的 想法 拋出 出去 曾是 無論 我們 可以 挑選 a 放 的 距離 地點 和 做 a 標準 量規 休息和放鬆 MSA 在 每個 的 那些 地點 和 然後 總結 那 資訊 為了 a 最終的 結果。
這 問題 和 那 是 那 如果 我們 挑選 a 具體的 地點， 那裡 不是 a 保證 那 那裡 會 是 一個 觀察 為了 每個 的 那些 曲線 因為 那裡 不是 複製 為了 這 距離。 其他 問題 那是 更多的 廣義的 是 和 這 類型 的 曲線 數據， 正在做 觀點 明智的 分析 喜歡 那 做 不是 拿 進入 帳戶 這 之內 功能 相關性。
幸運的是， 有 a 所有的 場地 的 統計數據 投入的 到 這 類型 的 數據 稱為 功能 數據 分析。 那裡 是 a 種類 的 科技 到 處理 不平等 間隔 數據。 A 很多 的 那些 科技 是 現在 可用的 在 跳轉 透過 這 功能 數據 探險家 平台。
這 問題 成為， 能 功能 數據 方法 是 合併 和 傳統的 MSA 方法 到 執行 一些 類型 的 功能 測量 系統 分析？ 這 曾是 這 解決方案 那 曾是 呈現 在 這 較老 文件 那 I 參考。 這 是 只是 去 到 是 a 小的 位元 的 a 審查 的 什麼 他們 做過。
第一的， a 受到處罰 樣條線 模型 曾是 合身 到 估計 這 部分 力量 函數 和 所以 那裡 是 10 函數 那 是 估計的， 平均 超過 操作員 和 重複。 然後 這些 函數 是 減去 從 這 原來的 力量 函數 到 獲得 a 放 的 殘差 力量 功能。 這些 殘差 函數 不 更長 包含 任何 變化 到期的 到 這 部分。 全部 的 這 變化 在 那些 殘差 是 到期的 到 這 操作員 和 這 重複。
他們 然後 合身 a 隨機的 效果 模型 到 這 殘差 獲得 這 相應的 變異數 成分 從 這 模型。 A 圖形 方法 曾是 然後 用過的 到 尋找 這 最小 部分 變異數 到 使用 作為 一個 估計 為了 這 部分 變異數 成分。
這 曾是 然後 用過的 到 計算 a 類型 的 最差 案件 設想 % 量規 休息和放鬆。 這 方法 他們 工作 相當 出色地。 他們 得到 結果 那 製成 感覺 和 這 客戶 曾是 快樂的。 但 這 曾是 只是 a 概括 的 a 標準 MSA 和 一些 功能 成分 灑 在。
什麼時候 I 看起來 在 這 數據 和 什麼時候 I 看起來 在 這 問題， I 通緝 到 嘗試 到 拿 a 更多的 傳統的 功能 方法。 I 有 a 背景 在 功能 數據 分析， 和 那 是 什麼 我的 論文 曾是 在， 具體來說 功能 混合 模型。 那裡 曾是 a 章 在 我的 論文 投入的 到 估計 和 測試 這 變異數 成分 從 功能 混合 模型。
I 做過 那 經過 擴充 這 功能 模型 使用 自己的 功能 或者 基礎 功能 擴充 和 重寫 它 作為 a 混合 模型 和 然後 使用 已知 科技 到 估計 那些 變異數 成分。 I 開始 到 思考， 可以 I 使用 這 相同的 類型 的 技術？
I 不 需要 a 滿的 混合 模型。 I 僅有的 有 隨機的 效果 這裡。 能 I 創造 a 功能 隨機的 效果 模型 為了 這 部分 和 操作員 變異數 成分？
這 是 什麼 I 來了 向上 和 為了 a 功能 MSA 穿過 模型， 自從 我們 做 有 一個 操作員 學期。 為了 功能 模型， 他們是 放 向上 a 小的 位元 不同地 因為 他們是 全部 基於 大約 這 輸入。 在 這 案件， 你的 回覆, Y 潛水艇 伊吉克 是 這 第K個 複製 製成 經過 這 第J 操作員 在 這 伊斯 部分， 但 這 時間 在 a 特別的 距離， D.
我們 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 我們的 錯誤 學期。
在 這 方法， I 減去 這 意思是 學期 超過， 和 所以 我是 左邊 和 這 放 的 殘差， 和 那是 什麼時候 我是 去 到 模型。 這 這裡 代表 這 自己的 功能 擴張 的 這 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 創造 這 大的 長的 隨機的 效果 模型。
但 為了 一 自己的 功能， 什麼 是 顯示 在 這些 括號 是 這 擴張。 為了 每個 功能 隨機的 影響， 它是 分裂 進入 二 部分。 我們 有 a 功能 部分 和 然後 只是 a 常規的 部分。 這 功能 部分 是 採取 關心 的 經過 評估 那些 自己的 功能。 然後 我們 有 只是 標準 隨機的 條款 為了 這 部分， 這 操作員， 和 這 叉 學期。
然後 什麼 這 本質上 做 是 你 建造 這 長的 隨機的 效果 模型， 和 然後 你 有 a 數位 的 變異數 成分 為了 每個 學期。 為了 這 MSA， 那裡 將要 現在 是 三 套 的 首都 B 變異數 成分。 有 去 到 是 首都 B 部分 變異數 成分， 首都 B 操作員 變異數 成分， 和 首都 B 叉 學期 變異數 成分。
因為 的 這 方式 自己的 函數 是 結構化， 他們 是 已知 到 是 獨立的 和 所以 我們 能 認為 那 基於 在 如何 我們 結構化 這 模型， 全部 的 這些 變異數 成分 是 實際上 獨立的 從 每個 其他 也. 那 方法 我們 能 和 他們 一起 到 獲得 這些 功能 變異數 成分。
自從 是 只是 求和 他們 一起， 我們 能 也 代替 他們 進入 這 公式 為了 這 % 量規 休息和放鬆 和 計算 那 只是 喜歡 我們 做過 在 這 標準 模型。
如何 做 I 實際上 做 這 在 跳轉？ 出色地， 它是 a 多 步 過程。 我是 去 到 簡要地 大綱 它 這裡， 和 然後 我是 去 到 做 a 示範 為了 你。 第一的， 我是 去 到 估計 這 意思是 曲線 在 頻域擴展 和 獲得 這 殘差 曲線。 我是 然後 去 到 模型 那些 殘差 曲線 服務 也 一個 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。
我是 去 到 節省 那些 自己的 函數 到 這 原來的 數據 桌子 和 使用 他們 在 菲特混合。 使用 FitMix， 我是 去 到 合身 a 隨機的 效果 模型 到 這 原來的 數據 使用 嵌套 和 這 自己的 函數 到 定義 這 合適的 模型 規格。
希望如此， 那 全部 使 a 小的 位元 更多的 感覺 一次 I 示範 它。 是 去 到 出口 出去 的 這裡。 這裡 是 我們的 數據， 和 我們 有 a 柱子 為了 這 ID 多變的， a 柱子 為了 這 部分 多變的 那 定義 這 10 部分， 這 操作員， 哪個 定義 這 五 運營商， 我們的 距離 柱子， 和 我們的 力量 柱子。
只是 作為 a 提醒， 這 是 什麼 這 數據 看起來 喜歡。 我的 第一的 步 是 到 估計 這 意思是 功能 的 這 力量 曲線 和 然後 使用 那 到 獲得 一些 殘差。 到 做 那， 我是 去 到 模型 這 力量 函數 在 FDE。 我是 去 到 去 到 這 分析 選單， 專業化 造型 和 選擇 功能 數據 探索者。
我是 去 到 定義 力量 作為 我的 輸出， 距離 作為 我的 輸入。 然後 因為 I 想 這 意思是 功能 平均 超過 全部 的 這 身分證件， 我是 不是 去 到 指定 一個 ID 功能 這裡。 我是 去 到 點選 好的。 我們 有 我們的 基本的 介紹 頻域擴展 報告。 但 I 想 到 合身 a 模型， 所以 I 能 去 到 這 紅色的 三角形 選單， 模型。
從技術上講， 你 可以 合身 任何 的 那些 模型。 I 只是 選擇 a B 樣條線 因為 它是 第一的， 它是 簡單的， 和 它會 只是 拿 a 很少 秒 到 跑步 這裡。 好的， 所以 這是 我們的 模型 合身。 有 a 紅色的 線 這裡 那是 漂亮的 難的 到 看， 但 那 是 什麼 是 這 意思是 功能， 這 估計的 意思是 功能。 我是 去 到 給 你 a 更好的 圖片 的 那 在 a 分分鐘 或者 所以。
但 I 實際上 想 到 節省 這 函數 為了 這 模因。 I 能 做 那 經過 去 到 這 功能 摘要 報告。 I 能 點選 這 紅色的 三角形 選單 和 選擇 客製化 功能 摘要。 I 僅有的 想 這 相同的 公式， 所以 我是 去 到 取消選擇 他們 全部 和 然後 重新選擇 那 一 和 點選 好的 和 節省。
I 得到 a 新的 數據 桌子 和 什麼 出現 到 是 這 孤獨 小的 入口 這裡。 那裡 是 a 隱 柱子， 所以 我是 去 到 取消隱藏 那。 我們 有 a 距離 柱子 和 然後 我們 有 這 力量 意思是 功能 公式。 我是 去 到 拿 a 看 在 那， 什麼 那 實際上 看起來 喜歡。
什麼時候 我們 看 在 這 公式 柱子， 我們 能 看 那 這 是 a 功能 的 距離。 為了 任何 價值 的 距離， 這 是 去 到 是 評估 到 給 什麼 這 意思是 功能 是 在 那 距離。 這 公式 柱子 能 是 放 進入 任何 數據 桌子 那 也 包含 a 距離 柱子。 那是 確切地 什麼 是 去 到 做。
是 去 到 製作 當然 這 是 突出顯示。 是 去 到 正確的 點選 和 選擇 複製 柱子 特性。 然後 是 去 到 尋找 我們的 方式 後退 到 我們的 原來的 數據 桌子。 雙倍的 點選 到 創造 a 新的 柱子。 我是 去 到 正確的 點選 這裡 和 做 貼上 柱子 特性。 現在 我們 有 這 意思是 力量 評估 在 每一個 等級， 每一個 距離 價值 在 我們的 數據 桌子。
我們 能 使用 那 到 現在 尋找 我們的 殘差 功能。 我是 去 到 雙倍的 點選 再次 到 創造 a 新的 柱子 和 標題 它 力量 殘留物。 現在 我是 去 到 創造 我的 自己的 公式 柱子 那 是 簡單地 去 到 是 力量 減 這 意思是 力量。 我是 去 到 點選 好的。 現在 我們 有 我們的 放 的 殘差 和 這 是 什麼 它 看起來 喜歡。
在 這 頂部 圖形， 這些 光 灰色的 曲線 是 這 原來的 函數 從 這 力量 柱子。 這 紅色的 線 是 這 相同的 紅色的 線 那 I 嘗試過 到 展示 你 在 這 頻域擴展 報告 那 曾是 難的 到 看， 但 這 是 什麼 那 曾是。 那是 這 意思是 功能。
然後 這 底部 圖形 在 綠色的 節目 這 殘差 曲線。 這些 是 這 曲線 那 我是 去 到 使用 到 繼續 和 我的 分析。 我的 下一個 步 是 去 到 是 到 模型 這 殘差 曲線 使用 頻域擴展 到 獲得 這 自己的 函數 那 I 需要 為了 這 模型 擴張。 我是 去 到 去 到 這 分析 選單 再次， 選擇 專門 造型， 功能 數據 探索者。
這 時間 我是 去 到 指定 這 殘差 作為 這 輸出， 距離 作為 這 輸入， 和 I 是 去 到 指定 我的 ID 柱子 這 時間。 我是 去 到 點選 好的。 我們 有 我們的 初始連接埠 這裡， 和 現在 I 想 到 合身 a 模型 到 這 數據。 I 去 到 這 紅色的 三角形 選單 到 看 在 這 模型。
再次， 從技術上講， 你 能 合身 任何 的 這些 模型。 在 我的 實驗， I 成立 那 這些 頂部 三， 他們 拿了 a 真的 長的 時間 到 合身， 和 他們 沒有 提供 極佳的 偉大的 適合 為了 什麼 I 需要。 這 小波 模型 和 這 直接的 功能 主成分分析 是 很多， 很多 更快 和 儘管 也 提供 更好的 適合。
這 警告 和 那些 二 模型 是 那 他們 要求 這 數據 到 是 在 一個 均勻地 間隔 網格。 A s I 提及， 什麼時候 I 介紹 這 數據， 那是 不是 這 案件。 然而， 在 FDE， 我們 有 一些 數據 加工 步驟 那 幫助 我們 操縱 我們的 數據 a 小的 位元. 我們 能 去 到 這 乾淨的 向上， 減少， 和 這 第一的 標籤 是 什麼 我們 想， 和 我們 能 使用 那。
現在 那 只是 賣權 它 所以 那 每一個 距離 價值 有 一個 觀察， 有 a 力量 殘差 觀察。 現在 我們 能 去 前方 和 合身 一 的 那些 模型。 I 只是 選擇 直接函數 主成分分析。 A s 你 能 看， 它 曾是 非常 快的。 這 配件 曾是 極佳的 快速地。
這 功能 主成分分析 報告 是 在哪裡 是 去 到 得到 全部 的 我們的 資訊 那 我們 需要。 但 I 曾是 只是 去 到 捲動 向下 到 看 在 這 數據 合身 a 小的 位元. 我們 能 看 那 這些 看 漂亮的 好的。 然後 如果 我們 看 在 這 診斷 情節， 這些 是 在 這 對角線， 這 殘差 看 好的。 這 看起來 喜歡 a 漂亮的 好的 合身， 和 I 能 使用 這 資訊 從 這 功能 主成分分析。
在 這 功能 主成分分析 報告， 我們 有 a 桌子 的 自己的價值觀 和 然後 這些 圖表 的 我們的 形狀 功能。 這 形狀 函數 是 實際上 我們的 自己的 功能。 他們是 只是 稱為 形狀 函數 在 跳轉。 如何 這些 函數 工作 是 那 你的 原來的 輸入， 所以 距離， 是 在 這 X 軸， 和 然後 這 自己的 功能 評估 是 在 這 Y 軸。
為了 任何 距離 D, 你是 去 到 有 一個 評估 在 自己的 功能 1 , 一個 評估 在 自己的 功能 2、 和 所以 在。 你 能 使用 這 自己的 函數 到 得到... 你 能 使用 a 線性 組合 的 這 自己的 函數 到 得到 一個 估計 的 這 原來的 功能。
這 特徵值 桌子 給出 你 一個 主意 的 如何 很多 % 的 這 全面的 數據 變化 你是 服用 進入 帳戶 什麼時候 你 使用 a 肯定 數位 的 特徵值， 自己的 功能 配對。 在 這 案件， 這 第一的 特徵值 和 自己的 功能 配對 實際上 帳戶 為了 99.9 % 的 這 全部的 變化 在 這 數據， 哪個 是 實際上 漂亮的 極好的。
這 是 重要的 在 確定 如何 許多 自己的 函數 你是 去 到 使用 為了 這 基礎 擴張。 通常 什麼時候 你是 選擇 a 數位 的 自己的 函數 到 使用， 你 不 實際上 想 到 使用 全部 的 這 自己的 函數 那 你是 給出。
你 想 到 使用 這 至少 數位 的 自己的 函數 那 仍然 帳戶 為了 一個 足夠的 數量 的 變化 在 這 數據。 這 是 因為 這 更多的 自己的 函數 你 使用， 這 大 你的 隨機的 效果 模型 是 去 到 是， 和 它是 去 到 是 更難 到 估計。
什麼 做 會計 為了 一個 足夠的 數量 的 變化 在 這 數據 意思是？ 它 能 意思是 不同的 事物 到 不同的 人們 在 不同的 字段。 通常， 什麼時候 我是 在職的 和 這， I 有 用過的 在 這 過去的 關於 90 % 作為 a 切 離開。 如果 I 曾是 只是 正在做 這 分析 到 做 這 分析， I 可能 僅有的 拿 這 第一的 自己的 功能 自從 它 解釋 所以 很多， 和 跑步 和 那。
為了 示範 目的， 我是 去 到 拿 這 第一的 二 只是 所以 你 能 看 什麼 這 模型 擴張 看起來 喜歡 使用 二 自己的 功能。 到 節省 這些， 我是 去 到 去 到 這 功能 摘要 報告 再次， 點選 在 這 紅色的 三角形 選單 和 選擇 客製化 功能 摘要。
I 只是 提及 那 我是 僅有的 去 到 節省 二 的 他們， 所以 I 想 到 進入 二 這裡。 我是 去 到 取消選擇 這些 全部 再次 和 僅有的 節省 這 公式。 I 能 點選 好的 和 節省 和 I 有 其他 新的 數據 桌子 現在。 這 事物 那 I 需要 是 實際上 隱。 我們 想 到 看 為了 這些 力量 殘渣 形狀 函數 哪個 代表 我們的 自己的 功能。
我們 能 取消隱藏 那些 所以 那 他們是 現在 包括 在 我們的 數據 桌子。 我們 能 拿 a 看 在 這些 公式 列。 只是 喜歡 和 我們的 意思是 功能， 這 是 簡單地 a 功能 的 距離。 為了 任何 價值 的 距離， 這些 公式 是 去 到 給 你 什麼 這 自己的 功能 價值 是 在 那 距離。
也, 喜歡 這 主要的 功能， 我們 能 放 這些 公式 列 進入 任何 數據 桌子 那 也 包含 a 距離 柱子。 那是 什麼 是 去 到 做 再次。 是 去 到 放 這些 公式 列 進入 我們的 原來的 數據 桌子。
是 去 到 製作 當然 兩個都 的 這些 是 突出顯示 和 正確的 點選 和 選擇 複製 柱子 特性。 再次， 尋找 我們的 方式 後退 到 我們的 原來的 數據 桌子。 I 想 到 添加 二 新的 列 到 我的 數據 桌子。 我是 去 到 去 到 呼叫， 新的 列。 是 只是 去 到 標題 他們 E1 和 2 到 代表 這 自己的 功能。 I 想 到 添加 二 列 和 I 想 到 添加 他們 作為 a 團體。 患病的 點選 好的。
然後 和 這些 二 新的 列 突出顯示， 我是 去 到 正確的 點選 和 選擇 貼上 柱子 特性。 現在 我們 有 我們的 自己的 函數 評估 為了 每一個 距離。
只是 到 給 你 一個 主意， 這 是 什麼 他們 看 喜歡 和 它是 這 相同的 圖形。 它是 幾乎 這 相同的 圖形 作為 什麼 曾是 在 這 頻域擴展 報告。 是 只是 服用 什麼 曾是 圖形地 那裡 和 現在 我們 有 這 數位 為了 一切， 為了 每一個 價值 這裡。
現在 我們 想 到 做 這 自己的 功能 擴張 和 擴張 我們的 功能 模型。 但 什麼 做 那 模型 實際上 看 喜歡 什麼時候 你 有 二 自己的 功能？ 我是 去 到 跳 後退 超過 到 我的 幻燈片 真實的 快的 和 展示 你 什麼 這 模型 擴張 看起來 喜歡 什麼時候 首都 B 等於 2.
I 有 這 分裂 進入 a 部分 為了 這 部分， 這 操作員， 和 這 叉 學期。 然後 之內 每個 的 這些 部分， 我們 看 那 我們 有 a 學期 那 涉及 自己的 功能 一 和 a 學期 那 涉及 自己的 功能 二。 本質上， 這 方法 那 是 去 到 有 二 變異數 成分 為了 部分， 二 變異數 成分 為了 這 操作員， 和 二 變異數 成分 為了 這 叉 學期。
現在 我是 去 到 去 後退 到 我的 數據 桌子。 I 想 到 合身 這 模型 使用 合身 模型。 我是 去 到 去 到 這 分析 選單 和 選擇 合身 模型。 I 想 到 指定 我的 性格 作為 這 混合 模型。 現在 我是 去 到 指定 這 殘差 作為 我的 和。 然後 我是 去 到 移動 向下 到 這 效果 部分。
在 這 固定的 效果 標籤， I 不 有 任何 固定的 效果 和 I 也 不 有 一個 截距 因為 I 意思是 學期 超過 起初。 現在 我是 去 到 移動 到 這 隨機的 效果 選項卡。 這裡 是 在哪裡 我是 去 到 使用 這 自己的 函數 和 這 部分 和 操作員 變數 和 巢 他們 在 一個 合適的 方式 到 定義 這 模型 那 I 只是 顯示 你。
我們 能 添加 兩個都 的 這些 自己的 函數 和 是 去 到 選擇 這些 和 也 選擇 部分。 是 去 到 巢 部分 在 每個 自己的 功能。 然後 是 去 到 做 這 相同的 事物 為了 操作員 和 這 相同的 事物 為了 這 叉 學期。 那是 如何 是 去 到 定義 我們的 模型。
這 最後的 事物 I 想 到 做 在 這 發射 窗戶 是 取消選擇 這 無界 變異數 成分 選項。 什麼時候 這 是 選定， 它 方法 那 你 能 有 消極的 估計 或者 變異數 成分， 和 I 不 想 那。
任何 消極的 估計 是 只是 去 到 是 放 到 零。 現在 I 能 跑步 這， 和 我們 有 我們的 報告 這裡。 這 是 這 桌子 那是 去 到 給 我們 我們的 估計 那 我們 需要 到 計算 這 % 量規 休息與放鬆， 但 我是 去 到 戳 大約 這 報告 a 小的 位元 第一的。
這 實際的 經過 預測 陰謀 看起來 真的 詭異的 在 第一的， 但 它 使 感覺 什麼時候 你 思考 關於 它。 自從 我們 不 有 任何 固定的 效果 或者 一個 截距， 什麼時候 我們 不 拿 這 隨機的 效果 進入 帳戶， 我們的 估計 為了 一切 是 只是 零。 什麼時候 我們 做 拿 那些 隨機的 效果 進入 帳戶， 我們 看 那 這 實際的 經過 有條件的 預測 陰謀 看起來 a 很多 更好的 和 那 這些 觀察 落下 漂亮的 出色地 沿著 這 對角線。
我們 能 也 拿 a 看 在 這 有條件的 殘差 情節， 和 我們 能 看 那 他們是 漂亮的 小的 和 他們是 居中 大約 零。 我們 做 有 一些 偏差 從 這 線 這裡， 但 有 沒有什麼 極佳的 瘋狂的 關於 這 殘差。 I 感覺 好的 關於 使用 這些 估計 到 計算 這 永久的 量規 休息和放鬆。 I 實際上 拉 這 桌子 和 放 它 後退 進入 我的 幻燈片。 我是 去 到 去 後退 到 我的 幻燈片 為了 這 餘 的 這 推介會。
這是 那 數據 桌子， 不是 數據 桌子， 這 報告 桌子 那 曾是 只是 那裡。 作為 你 能 看， 你 有 a 變異數 成分， S2 變異數、成分、 估計 為了 部分， 二 為了 操作員， 和 二 為了 這 叉 學期。 A s I 提及 什麼時候 I 曾是 描述 這 模型， 我們 能 和 這些 一起 到 計算 這 功能 變異數 成分。
這些 具體的 數位 不是 作為 重要的 在 這 分析 作為 什麼 你 得到 什麼時候 你 放 他們 進入 這 公式 為了 這 % 量規 休息和放鬆。 所以 什麼時候 I 做 那， 我們 得到 a % 量規 休息和放鬆 的 3.3030. 那 是 什麼 酒吧 團隊 定義 作為 一個 可接受 測量 系統。 如果 這 有 到過 我的 專案, I 會 有 走了 後退 到 這 客戶 和 說 那 它 似乎 喜歡 你的 測量 系統是 準確的， 你 能 去 前方 和 繼續 和 你的 設計 的 實驗。
那是 基本上 它 為了 這 分析 為了 這 特別的 數據。 只是 一些 想法 那 I 有。 這 結果 曾是 實際上 非常 相似的 到 這 最差 案件 設想 % 量規 休息和放鬆 那 曾是 呈現 在 這 2019 傑斯曼 推介會。 它 曾是 更高 經過 只是 a 很少 十進位 地方。 它會 是 真的 有趣的 到 比較 這些 方法 和 其他 數據 套 到 看 如果 他們 是 總是 相似的 或者 如果 這 曾是 只是 a 快樂的 巧合。
I 不 有 很多 經驗 在 全部 和 測量 系統， 和 所以 I 不 有 任何 其他 數據 到 玩 大約 和 或者 甚至 真的 知道 如何 到 獲得 它。 如果 任何人 有 任何 數據 那 他們 思考 可能 申請 到 這 類型 的 專案, 任何 功能 數據 那 也 他們 可能 想 到 做 一個 MSA 在， ID 是 真的 有興趣的 在 聽力 關於 它。
為了 一些 未來 工作， 一些 想法 那 I 有 曾是， 這 第一的 一 曾是， 應該 I 添加 a 功能 隨機的 影響 為了 這 ID？ 這 是 非常 通常 完畢 在 a 很多 的 功能 混合 模型， 在 至少 在 這 欄位 那 I 工作 在。 這 曾是 a 大的 貢獻 在 我的 論文 曾是 這 使用 的 這 功能 隨機的 影響 為了 ID。
通常， 這 捕獲 這 之內 功能 相關性 穿過， 在 這 案件， 距離。 I 播放 大約 和 這 隨機的 影響 在 這 數據， 和 每一個 模型 I 用過的， 這 數位 的 自己的 函數 I 用過的， 它 沒有 事情。 這 變異數 成分 聯繫 和 這 隨機的 影響 總是 來了 出去 到 是 零， 和 那是 不是 有用。
I 思考 在 這 案件， 一次 你 拿了 進入 帳戶 這 變異數 從 這 部分 和 這 操作員， 那裡 只是 不是 任何 變化 左邊 到 帳戶 為了。 I 不 知道 如果 那是 真的 為了 全部 功能 MSA 研究 或者 如果 這 曾是 只是 真的 為了 這 特別的 數據。 如果 I 曾是 曾經 有能力的 到 得到 我的 手 在 一些 不同的 數據， 這 是 確實 某物 I 會 保持 在 頭腦 到 看 如果 它 可以 是 額外 到 a 模型 在 任何 其他 數據 套 更多的 成功地。
I 也 思考 它 會 是 涼爽的 如果 我們 可以 計算 a 信心 間隔 為了 這 % 量規 休息和放鬆。 和 最後， I 通緝 到 演講 關於 這 一 事物 I 不是 極佳的 快樂的 和 在 這 專案, 哪個 曾是 這 殘差。 什麼 曾是 錯誤的 和 他們？
這些 是 圖表 的 一些 不同的 模型 和 這 殘差 為了 每個 一。 我是 去 到 去 後退 和 向前 之間 這 滑動 和 這 下一個 一。 所以 是的， 這 殘差 是 相對地 小的。 他們是 居中 大約 零。 有 不 瘋狂的 尖峰 或者 異常值， 和 那是 好的。 那是 什麼 我們 想。
然而， 在 全部 這 模型 I 合身， I 只是 仍然 沒有 愛 如何 他們 看起來 穿過 距離。 尋找 在 這 殘差 這 方式 是 尤其 重要的 什麼時候 在職的 和 功能 數據。 這 是 因為 它 能 真的 展示 什麼時候 你是 不是 捕獲 全部 這 功能 部分 的 這 數據。
A 很多 的 次 在 功能 數據， 你 看 這 扇動 影響 在哪裡 這 殘差 是 真的 好的 在 這 開始， 和 然後 作為 你 得到 向 這 結尾 的 你的 領域， 他們 扇子 出去 a 小的 位元. 這 數據 實際上 有 幾乎 這 對面的 問題。 我們 能 看 那 這 殘差 是 a 小的 位元 更寬 在 這 開始 的 這 領域 和 得到 更近 到 零 作為 距離 獲取 更大。
有 也 確實 一些 類型 的 週期性的 圖案 在 這些 殘差。 I 不 思考 它是 這 結尾 的 這 世界。 I 思考 他們是 極佳的 居中 大約 零， 但 你 能 看 在 這些 圖表 那 有 清楚地 一些 向上 和 向下 模式。 本質上 什麼 那 方法 是 那 我是 遺失的 某物。 我是 不是 捕獲 這 滿的 功能 自然 的 這 數據， 和 I 不 真的 知道 為什麼 然而。
ID 真的 喜歡 到 數位 那 出去 和 合身 一個 甚至 更好的 模型， 無論 那是 可能的 和 這 數據 或者 不同的 數據 在 這 未來。 我是 不是 當然， 但 它是 確實 某物 I 想 到 花費 a 小的 更多的 時間 在， 和 ID 是 打開 到 任何 討論 任何人 會 喜歡 到 有 關於 它。
那是 它 為了 我。 謝謝 為了 觀看。 如果 你 有 任何 問題， 建議， 問題 或者 回饋, 感覺 自由的 到 電子郵件 我。 感謝 你。
