如何解讀JMP中隨機效應模型的結果？我擬合了一個包含 2 個因素的隨機效應模型（零件編號和操作員）通過選擇“擬合模型”窗口上“屬性”下的“隨機效應”選項（與零件*操作員交互）。
我收到以下輸出REML 方差分量估計桌子。
隨機效應 | 波動率 | 無功分量 | 標準誤差 | 降低 95% | 95% 上層 | Wald p 值 | 佔總數的百分比 |
部分 | 1.1555556 | 1.7333333 | 0.8656795 | 0.0366326 | 3.430034 | 0.0453* | 53.608 |
操作員 | -0.004115 | -0.006173 | 0.0218 | -0.0489 | 0.0365544 | 0.7771 | 0.000 |
零件*操作員 | -0.199588 | -0.299383 | 0.1464372 | -0.586394 | -0.012371 | 0.0409* | 0.000 |
剩餘的 | | 1.5 | 0.3354102 | 1.0110933 | 2.4556912 | | 46.392 |
全部的 | | 3.2333333 | 0.9283863 | 1.9759148 | 6.2317667 | | 100.000 |
-2 對數似然 = 203.88510393
如何解釋這些結果？
回复：如何解釋JMP中隨機效應模型的結果？從技術上講這不是一個容易的討論，但實際上我有一些想法：
1. 我們實際上不太關心方差分量的實際值，而是與研究中其他分量相比的相對值。
2. 最令人感興趣的是這些分量的大小（而不是符號）。 通常，當存在負 REML 分量時，JMP 會切換到貝葉斯估計。
3. 始終對 p 值保持謹慎。它們是收集的數據集中比較的函數。 它們是否與現實有任何联系（或有用）取決於數據的收集方式。
4. 此外，異常數據點會對方差分量估計和後續定量測試產生巨大影響。 始終繪製數據並評估數據中的異常或特殊原因數據點。
5. 繪製數據與您的預測進行比較……這有意義嗎？ 你能解釋一下你所看到的嗎？ 不要關閉工程或科學。
回复：如何解釋JMP中隨機效應模型的結果？我偶然發現了這個討論，因為我試圖理解如何用低 Wald p 值解釋負方差分量估計（儘管在我的例子中負方差分量是主要效應）。我只是假設只有當方差分量估計值為正時，才應將低 Wald p 值視為真正重要，如果估計值為負，則說它具有統計顯著性是沒有意義的。但你對互動的負面估計的評論讓我感到困惑。我將交互方差分量解釋為由於零件和操作員之間的交互而產生的變化，因此，如果估計值為負，我認為無論 Wald p 值如何，它都會被解釋為不真正顯著。謝謝。
回复：如何解釋JMP中隨機效應模型的結果？我會添加一點@馬克貝利通過確保您還使用測量 R & R 和/或測量系統分析平台和子平台中可用的各種圖形技術繪製數據來進行解釋。 這些圖表通常可以通過可視化測量系統中的特徵/特性來提供非常豐富的信息，這些特徵/特性比所呈現的靜態表格結果更有趣且有價值。 以下是 MSA 平台在線文檔的鏈接，是一個不錯的起點：
https://www.jmp.com/support/help/14-2/measurement-systems-analysis.shtml#
這是我在 SAS 任職期間主持的 JMP On Demand 掌握 JMP 網絡研討會，您可能也會發現它很有價值：
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/evaluating-and-monitoring-your-process-using-msa-and-spc.html
回复：如何解釋JMP中隨機效應模型的結果？REML 的主要結果是 Var Component 列。 模型中的各個組成部分相加得出總計。 下一個結果是 Wald 比率的置信區間或 p 值。 Part 和 Part*Operator 估計值似乎與零顯著不同。 模型層次結構要求保留運算符項，即使它看起來與零沒有什麼不同。
交互作用分量的負估計是因為它實際上是協方差，可能是負的。 另一位社區成員可能對 MSA 案例的解釋有更多的見解。
零件方差約佔總數的54%，殘差（重複性）約佔總數的46%，因此該測量系統不好。
您是否還使用變異圖表平台分析了數據？
