Как експерименталният дизайн на Fisher се справя с липсващите данни?

В сферата на индустриалната автоматизация и контрол, експерименталният дизайн на Fisher стои като крайъгълен камък за осигуряване на прецизност и надеждност. Като доверен доставчик на Fisher, бях свидетел от първа ръка на значението на продуктите на Fisher катоПозиционер Fisher 3582,Dvc2000 Цифров вентилен контролер, иКонтролер Fisher 4195Kв различни приложения. Един ключов аспект, който често поставя предизвикателства в експерименталните настройки, е проблемът с липсващите данни. В този блог ще проучим как експерименталният дизайн на Fisher ефективно се справя с липсващите данни.

Разбиране на въздействието на липсващите данни

Липсващите данни могат значително да изкривят резултатите от даден експеримент. В индустриалните системи за управление, например, данните от сензори като температура, налягане или дебит се използват за вземане на критични решения. Ако някои от тези данни липсват, това може да доведе до неточни контролни действия, намалена ефективност и дори потенциални опасности за безопасността. Има няколко причини, поради които данните може да изчезнат. Неизправности на сензора, комуникационни грешки или човешки грешки по време на събирането на данни могат да допринесат за този проблем.

В експерименталния дизайн на Fisher, първата стъпка при обработката на липсващи данни е да се разбере механизмът зад тяхното възникване. Има три основни типа механизми за липсващи данни: липсващи напълно случайно (MCAR), липсващи произволно (MAR) и липсващи неслучайно (MNAR).

• Липсва напълно на случаен принцип (MCAR): Това се случва, когато вероятността данните да липсват не е свързана както с наблюдаваните, така и с ненаблюдаваните данни. Например, ако датчик се повреди произволно поради производствен дефект, данните, които той би събрал, са MCAR.
• Произволно липсващи (MAR): Тук вероятността данните да липсват зависи само от наблюдаваните данни. Например, ако даден сензор е по-вероятно да се повреди в среда с висока температура и данните за температурата са налични, липсващите данни са MAR.
• Липсва неслучайно (MNAR): В този случай вероятността данните да липсват е свързана със самите ненаблюдавани данни. Например, ако сензор, който измерва определен параметър, е по-вероятно да се повреди, когато параметърът достигне екстремни стойности и тези екстремни стойности не се наблюдават, данните са MNAR.

Стратегии за обработка на липсващи данни в дизайна на Fisher

1. Импутиране на данни

Един от най-често срещаните подходи за обработка на липсващи данни е импутацията. Импутацията включва попълване на липсващите стойности с приблизителни стойности. Експерименталният дизайн на Fisher често използва различни техники за импутиране, базирани на естеството на данните и механизма на липсващите данни.

• Средно/средно импутиране: За данни MCAR прост подход е да замените липсващите стойности със средната стойност или медианата на наблюдаваните данни. Това е бърз и лесен метод, но има ограничения. Това може да намали дисперсията на данните и може да доведе до пристрастни оценки, ако данните не са наистина MCAR.
• Регресионно импутиране: В случаите, когато липсващите данни са MAR, може да се използва регресионна импутация. Този метод включва изграждане на регресионен модел с помощта на наблюдаваните данни и след това използване на този модел за прогнозиране на липсващите стойности. Например, ако имаме връзка между температура и налягане и данните за налягането липсват за някои наблюдения, можем да използваме данните за температурата, за да предвидим липсващите стойности на налягането.
• Множество импутации: Това е по-сложен подход, който създава множество вменени набори от данни. Всеки набор от данни има липсващите стойности, попълнени с различни прогнозни стойности. След това се извършват статистически анализи на всеки от тези набори от данни и резултатите се комбинират, за да се получи окончателна оценка. Множественото импутиране отчита несигурността, свързана с импутираните стойности, и осигурява по-точни резултати в сравнение с методите на единично импутиране.

2. Подходи, базирани на модел

Експерименталният дизайн на Fisher също използва базирани на модели подходи за справяне с липсващи данни. Тези подходи включват включване на механизма за липсващи данни в самия статистически модел.

• Пълна - Максимална вероятност за информация (FIML): FIML е метод, който оценява параметрите на статистически модел чрез максимизиране на функцията на вероятност въз основа на наблюдаваните данни. Той взема предвид механизма за липсващи данни и предоставя безпристрастни оценки при определени условия. В индустриалните контролни експерименти на Fisher, FIML може да се използва за оценка на параметрите на контролните модели, дори когато някои данни липсват.
• Байесови подходи: Bayesian методите предоставят гъвкава рамка за обработка на липсващи данни. Те позволяват включването на предварителни знания за данните и механизма за липсващи данни. Чрез използване на алгоритмите на Марковска верига Монте Карло (MCMC), байесовите методи могат да генерират проби от задното разпределение на параметрите, като вземат предвид несигурността поради липсващи данни.

3. Надеждни статистически методи

Друга стратегия в експерименталния дизайн на Фишър е използването на стабилни статистически методи. Тези методи са по-малко чувствителни към наличието на липсващи данни и отклонения.

• Устойчиви оценители: Вместо да се използват традиционни оценки като средна стойност и стандартно отклонение, могат да се използват стабилни оценки като медиана и междуквартилен диапазон. Тези оценители са по-устойчиви на ефектите от липсващи данни и екстремни стойности.
• Непараметрични методи: Непараметричните методи не разчитат на предположения за разпределението на данните. Те могат да се използват, когато данните не са разпределени нормално или когато има много липсващи данни. Например, непараметрични тестове като теста за ранг и сума на Wilcoxon могат да се използват за сравняване на две групи, дори когато някои данни липсват.

Казуси в приложенията на Fisher

Нека разгледаме пример от реалния свят за това как експерименталният дизайн на Fisher се справя с липсващите данни в контекста на управлението на клапана. Да предположим, че използваме aПозиционер Fisher 3582за контрол на позицията на клапана. Позиционерът събира данни за положението на клапана, налягането и температурата.

По време на експеримент някои от данните за налягането липсват поради грешка в комуникацията между сензора за налягане и системата за събиране на данни. Първата стъпка е да се определи механизмът за липсващи данни. В този случай вероятно е MCAR, тъй като грешката в комуникацията е произволна.

Инженерите решават да използват средно импутиране, за да се справят с липсващите данни за налягането. Те изчисляват средната стойност на наблюдаваните данни за налягането и заместват липсващите стойности с тази средна стойност. След импутацията те използват регресионен модел, за да анализират връзката между позицията на клапана, налягането и температурата. Този модел им помага да оптимизират настройките за управление на клапаните.

В друг случай, когато използвате aDvc2000 Цифров вентилен контролер, липсват някои данни за температурата. Анализът показва, че липсващите данни са MAR, тъй като е по-вероятно сензорът да се повреди при високи температури, а данните за висока температура се наблюдават. Тук се използва регресионна импутация. Създава се регресионен модел, като се използват данните за позицията на клапана и налягането, за да се предскажат липсващите температурни стойности.

Ролята на продуктите на Fisher за минимизиране на липсващите данни

Продуктите на Fisher са проектирани да сведат до минимум появата на липсващи данни на първо място. TheКонтролер Fisher 4195Kе оборудван с усъвършенствани функции за самодиагностика. Тези функции могат да открият рано неизправности на сензора и да предприемат коригиращи действия, като например предупреждаване на операторите или превключване към резервни сензори.

Комуникационните протоколи, използвани в продуктите на Fisher, също са проектирани да бъдат надеждни. Те имат вградени механизми за коригиране на грешки, за да намалят шансовете за загуба на данни по време на предаване. Освен това, сензорите на Fisher са много точни и надеждни, намалявайки вероятността данните да изчезнат поради повреда на сензора.

Заключение и призив за действие

В заключение, експерименталният дизайн на Fisher предлага цялостен подход за обработка на липсващи данни. Чрез разбиране на механизма за липсващи данни, използване на подходящи техники за импутиране, стабилни статистически методи и използване на характеристиките на своите продукти, Fisher гарантира точността и надеждността на експерименталните резултати в индустриалните системи за контрол.

Ако се занимавате с индустриална автоматизация и контрол и сте изправени пред предизвикателства с липсващи данни във вашите експерименти или операции, продуктите и експерименталният дизайн на Fisher могат да осигурят ефективни решения. Независимо дали имате нужда отПозиционер Fisher 3582, аDvc2000 Цифров вентилен контролер, или aКонтролер Fisher 4195K, можем да ви помогнем да оптимизирате вашите процеси и да преодолеете проблемите, свързани с липсващи данни. Свържете се с нас, за да обсъдим вашите специфични изисквания и да проучим как технологията на Fisher може да подобри производителността на вашите системи.

Референции

• Little, RJA и Rubin, DB (2019). Статистически анализ с липсващи данни. Уайли.
• Schafer, JL (1997). Анализ на непълни многовариантни данни. Чапман и Хол.
• Алисън, PD (2002). Липсващи данни. Публикации на Sage.