Geschäftskontext
In einer Fertigungsstraße werden Produktdefekte gezählt. Ingenieure vermuten eine starke Korrelation zwischen der Maschinengeschwindigkeit und der Temperatur, die das Modell beeinflusst. Der Test zielt darauf ab, spezifisch die Kovarianz- und Korrelationsmatrizen aus dem gespeicherten Modell zu extrahieren, um diese Hypothese zu prüfen.
Datenaufbereitung
Erstellung von 'FactoryDefects' mit Fertigungsparametern (Temperatur, Geschwindigkeit, Defekte).
Kopiert!
| 1 | |
| 2 | DATA casuser.FactoryDefects; |
| 3 | call streaminit(42); |
| 4 | DO i = 1 to 150; |
| 5 | Temp = 100 + rand('Normal', 0, 10); |
| 6 | Speed = 50 + rand('Normal', 0, 5); |
| 7 | Lambda = exp(-3 + 0.02 * Temp + 0.01 * Speed); |
| 8 | Defects = rand('Poisson', Lambda); |
| 9 | OUTPUT; |
| 10 | END; |
| 11 | |
| 12 | RUN; |
| 13 |
Étapes de réalisation
1
Modelltraining mit Fokus auf physikalische Parameter und Speicherung in 'factory_store'.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregFitModel TABLE='FactoryDefects', model={depvar='Defects', effects={'Temp', 'Speed'}}, store={name='factory_store', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Gezielter Abruf der Korrelations- und Kovarianzmatrizen.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregViewStore TABLE='FactoryDefects', instore='factory_store', viewOptions={correlations=true, covariances=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Das System gibt spezifisch die Tabellen 'Correlations' und 'Covariances' zurück, die zeigen, wie die geschätzten Parameter für Temperatur und Geschwindigkeit statistisch zusammenhängen.