Geschäftskontext
In einer spezialisierten Fertigungsanlage werden selten auftretende Defekte an Präzisionsteilen analysiert. Da nur wenige Datenpunkte (Chargen) vorhanden sind, möchte der Qualitätsingenieur Bayes'sche Methoden anwenden, um Vorwissen (Priors) einzubeziehen und robustere Schätzungen zu erhalten. Es wird angenommen, dass die Temperatur ('temp') einen Einfluss auf die Anzahl der Defekte ('defects') hat.
Datenaufbereitung
Erstellung eines kleinen Datensatzes (50 Chargen) mit Temperaturdaten und Fehleranzahl.
Kopiert!
| 1 | |
| 2 | DATA casuser.fertigung; |
| 3 | call streaminit(777); |
| 4 | DO batch = 1 to 50; |
| 5 | temp = 20 + rand('NORMAL', 0, 2); |
| 6 | defects = rand('POISSON', exp(0.1 * (temp - 20))); |
| 7 | OUTPUT; |
| 8 | END; |
| 9 | |
| 10 | RUN; |
| 11 |
Étapes de réalisation
1
Anpassung eines Poisson-Modells unter Verwendung der Bayes'schen Inferenz. Konfiguration von 2000 MCMC-Iterationen und einem festen Seed für Reproduzierbarkeit.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregFitModel / TABLE={name='fertigung'}, model={depVars={{name='defects'}}, effects={{vars={'temp'}}}}, bayes={seed=123, nsample=2000, sampler={method='RWM'}}; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Ausgabe enthält Posterior-Statistiken (Mittelwert, Standardabweichung, HPD-Intervalle) für die Parameter anstelle der klassischen Maximum-Likelihood-Schätzungen. Diagnostische Plots oder Tabellen zur Konvergenz des MCMC-Verfahrens werden bereitgestellt.