Смешанные модели качества продукции: BLUP по связям и маркерам

Проект на R: семь Jupyter-ноутбуков. По демонстрационным данным они считают прогнозные оценки качества изделий — по таблице связей, с маркерной панелью и со случайным эффектом завода — и собирают сводный индекс состава.

Ячейки уже выполнены: таблицы и графики сохранены внутри .ipynb. Данные в data/ синтетические.

---

Зачем это репозиторий

Проект отвечает на шесть практических вопросов:

1. Как оценить качество изделия по таблице связей, если панели ещё нет?
2. Как объединить связи и маркеры в матрицу H?
3. Как добавить случайный эффект завода рядом с эффектом изделия?
4. Совпадают ли rrBLUP и sommer друг с другом и с известным true_value?
5. Как собрать сводный индекс из нескольких признаков и отсечь неточные оценки?
6. Меняется ли средний индекс текущего состава, а не архива?

Тема нарочно нейтральная: контроль качества продукции. В данных нет отраслевых идентификаторов, только производственные показатели и связи между позициями линии.

---

Как устроен проект

.
├── README.md
├── 01_lineage_blup.ipynb             BLUP по таблице связей (матрица A)
├── 02_marker_blup.ipynb              ssGBLUP (матрица H)
├── 03_factory_effect.ipynb           H плюс случайный эффект завода
├── 04_somer.ipynb                    смешанная модель в sommer (`mmes`)
├── 05_methods_comparison.ipynb       сравнение методов и эталона
├── 06_index_accuracy.ipynb           сводный индекс и reliability
├── 07_dynamic_index.ipynb            динамика индекса состава
└── data/                             синтетические CSV для отчётов

Читать по номерам: 01 → 07. Каждый файл начинается с блока «О документе»: источник данных, цель, короткий результат.

---

Что внутри отчётов

Файл	Вопрос	Данные	Методы
01_lineage_blup.ipynb	Как оценить качество только по связям?	data/lineage.csv, data/measurements.csv	A-матрица, mixed.solve, SE, reliability
02_marker_blup.ipynb	Как учесть и связи, и панель?	+ data/markers.csv	матрицы A, M, G, H; mixed.solve
03_factory_effect.ipynb	Как добавить случайный эффект завода?	то же + factory	две Z-матрицы, блочная K
04_somer.ipynb	Та же модель формулой mmes?	то же	vsm(ism(item_id), Gu = H)
05_methods_comparison.ipynb	Согласованы ли A, H и эталон?	+ data/reference.csv	Спирмен, Манна–Уитни, Бланд–Альтман
06_index_accuracy.ipynb	Как собрать индекс из трёх признаков?	measurements.csv	z-оценки, веса, порог reliability
07_dynamic_index.ipynb	Что происходит с составом во времени?	+ data/inventory.csv	средний индекс изделий, которые ещё в составе

Показатели

Код	Смысл
item_id	изделие / позиция линии
parent_a, parent_b	предыдущие позиции, от которых ведётся линия
trait	основной измеренный признак качества
trait_process, trait_product	процессный и продуктовый признаки для индекса
true_value	известный в демо скрытый уровень качества
factory	площадка
panel	строка маркерных кодов 0/1/2
overall_index	сводный индекс
reliability	точность оценки

---

Единый стиль отчётов

• Jupyter Notebook, ядро R.
• Русские заголовки, английские имена переменных в обратных кавычках.
• В начале каждого файла — паспорт отчёта, в конце — короткое заключение.

---

Данные

Файл	Содержание
lineage.csv	item_id, parent_a, parent_b (у истоков линии родители = 0)
measurements.csv	признаки, фиксированные эффекты, завод, true_value
markers.csv	маркерная строка panel у части изделий
reference.csv	эталон true_value для сравнения
inventory.csv	даты поступления и выбытия для динамики состава