데이터 열화 예측서로 다른 초기값을 가진 이전 분해 데이터로부터 24개월 후 농도를 예측할 수 있는 모델링 접근 방식은 무엇일까요?
여러 배치/샘플에 대해 시간 경과에 따른 (예: 최대 24개월) 분해 데이터가 측정되었습니다.
각 배치(batch)는 출시 시 초기 농도가 서로 다르며, 모든 배치에 대해 모든 시점에서 측정이 이루어진 것은 아닙니다(후기 시점의 관측값이 누락되어 있습니다). 모든 측정은 동일한 측정 매개변수를 사용하여 수행되었습니다. 모든 배치의 초기 농도가 85% 이상임에도 불구하고, 가상의 출시 농도를 80%로 가정하여 24개월 후의 농도를 예측하고자 합니다. 목표는 특정 배치에 대해 일부 시점의 데이터가 누락되었더라도, 사용 가능한 모든 데이터를 동시에 활용하여 모델을 구축하는 것입니다.
반복 측정 열화 분석 플랫폼에서는 X 변수 없이 아레니우스 방정식을 사용할 수 없었습니다(동일한 측정 매개변수가 사용되었기 때문에 X 변수를 사용할 수 없었음). 다른 모델들도 사용 가능한 데이터에 잘 맞지 않았습니다.
미리 감사드립니다!
데이터 탐색 및 시각화제목: 데이터 열화 예측 관련안녕하세요 @UrsulaOrsolya 님 ,
오류가 발생한 원인이 된 방정식/공식을 알려주시겠습니까?
감사해요,
벤
제목: 데이터 열화 예측 관련답변 감사합니다! 현재 상황은 다음과 같습니다. 데이터에 온도(모든 데이터 포인트에 대해 25°C)를 나타내는 별도의 열을 만들었습니다. 하지만 이 열을 이용하여 가상의 방출 값인 80%를 예측하는 방법을 잘 모르겠습니다.
제목: 데이터 열화 예측 관련안녕하세요, 우르술라님.
명확히 말씀드리자면, 수정된 아레니우스 방법에서 목표로 하는 (JMP에서 '참조'라고 하는) 온도는 얼마인가요? 온도가 하나만 있으면 매개변수를 정확하게 추정하기 어렵습니다.
80%라는 수치를 말씀하셨는데, 이는 넘어서야 할 최소 기준치를 의미하는 건가요? 아니면 24개월 후의 가치를 말씀하시는 건가요?
감사해요!
벤
제목: 데이터 열화 예측 관련열화 현상이 비선형 모델을 따르는 것 같으니 Fit Curve 플랫폼을 사용해 보시는 것을 추천합니다. 온도 변화나 기타 가속 조건이 없기 때문에 반복 측정 열화 분석은 이 경우에 적합하지 않습니다.
또 다른 방법은 데이터를 선형화(예: 로그 변환)한 후 선형 회귀 모델을 데이터에 적용하는 것입니다. 이렇게 얻은 예측값을 사용하여 역변환을 수행하면 다시 예측값을 얻을 수 있습니다.
제목: 데이터 열화 예측 관련지수적 3P 모델 또는 기계적 성장 모델이 이 데이터에 잘 맞는 것으로 보입니다.
제목: 데이터 열화 예측 관련안녕하세요 @UrsulaOrsolya 님 , Fit Curve를 사용하여 저장한 스크립트와 함께 데이터 테이블을 다시 첨부했습니다. 다양한 온도를 고려하지 않으시는 경우, 1차 반응 속도 방정식을 적용하고 프로파일러를 사용하여 X개월 후의 예상 반응을 파악하는 것이 더 나을 수 있습니다.
제목: 데이터 열화 예측 관련초기(출시) 값이 80%인 가상의 샘플에 대해 24개월 후 값을 예측하고자 합니다(즉, 0개월 시점의 값). 신뢰 구간도 함께 제시해 주시면 감사하겠습니다. 모든 샘플은 동일한 조건에서 보관되었으므로 온도는 예측에 중요하지 않습니다.
제목: 데이터 열화 예측 관련도와주셔서 감사합니다! 이 접근 방식은 초기값에 따라 분해 양상이 다를 수 있다는 점을 고려하지 않고 전체 데이터셋에 곡선을 맞추기 때문에 저희 목표를 완전히 충족시키지는 못합니다. 초기값이 0개월인 샘플은 시간이 지남에 따라 분해 양상이 다소 다를 수 있다는 점을 고려하는 것이 중요합니다. 저희의 목표는 초기값이 80%일 때 어떤 결과가 나타나는지 알아보는 것입니다.
제목: 데이터 열화 예측 관련제안해 주셔서 감사합니다! 제가 원하는 결과는 신뢰 구간을 포함한 다음과 같은 형태입니다.
그래서 저는 측정된 데이터를 기반으로 일반적인 공식을 찾고, 그 공식 을 0개월 시점에 80%로 시작하는 가상의 표본에 적용하고 싶습니다.
Fit Curve 플랫폼을 이런 목적으로 어떻게 사용해야 할지 잘 모르겠습니다. 조언 좀 해주실 수 있을까요?
제목: 데이터 열화 예측 관련안녕하세요 @UrsulaOrsolya 님 ,
Fit Curve 플랫폼에서 직접 원하시는 결과를 얻으실 수 있을 것 같지는 않습니다. 다음과 같은 방법을 제안드립니다.
1. @Ben_BarrIngh 님 이 첨부한 JMP 파일에 있는 모델을 사용하여 매개변수 예측 공식을 저장하세요.
2. 다음으로, 비선형 플랫폼을 사용하여 원시 데이터와 매개변수 예측 공식을 적용하십시오.
3. a 매개변수를 80으로 고정합니다. 이 값은 우리가 적합시킨 1차 제한 모델에서 초기값으로 설정된 값입니다. 그런 다음 '실행' 버튼을 클릭합니다. '신뢰 구간' 버튼을 클릭하면 알고리즘이 b 및 c 매개변수에 대한 신뢰 구간을 제공합니다. 마지막으로 예측 프로파일러를 엽니다.
원한다면 이 예측 공식과 그에 따른 신뢰/예측 구간을 저장할 수 있습니다.
덧붙여 말씀드리자면, JMP에서 이러한 예측을 얻는 것은 다소 무식한 방법이며, 통계적으로 더 타당한 방법은 R이나 Python을 사용하여 베이지안 비선형 모델을 적합시키는 것입니다. 이 모델을 사용하면 1. 초기값과 분해 속도 사이의 상관관계를 고려하고 2. 배치 간 변동성과 MCMC 샘플링을 활용하여 주어진 초기값에서 미래의 관측되지 않은 배치에 대한 예측을 할 수 있습니다.
제목: 데이터 열화 예측 관련
모델을 학습시킨 후에는 표준 오차 예측 공식을 데이터 테이블에 저장할 수 있습니다. 평균 예측값에 대한 신뢰 구간을 설정하려면 다른 공식 열에서 간단한 계산을 해야 합니다. 가장 간단한 방법은 표준 오차에 2를 곱하는 것입니다. 이렇게 하면 대략 95% 신뢰 구간의 절반 너비를 얻을 수 있습니다. 특정 시점의 특정 배치에 대한 예측을 하려면 테이블에 행을 추가하고 배치 ID와 시점을 설정하면 해당 조건에 대한 예측 공식이 계산됩니다.
제목: 데이터 열화 예측 관련도와주셔서 정말 감사합니다!
제목: 데이터 열화 예측 관련매우 감사합니다!
