Comment interpréter le résultat du modèle à effets aléatoires dans JMP ?J'ai ajusté un modèle à effets aléatoires avec 2 facteurs ( Numéro de pièce et Opérateur ) en sélectionnant l'option "Effets aléatoires" sous "Attributs" dans la fenêtre "Ajuster le modèle" (avec interaction Pièce*Opérateur).
J'ai reçu la sortie suivante sous Estimations des composants de variance REML tableau.
Effet aléatoire | Rapport Var | Composant Var | Erreur standard | 95 % inférieur | 95 % supérieur | Valeur p de Wald | % du total |
Partie | 1.1555556 | 1.7333333 | 0.8656795 | 0,0366326 | 3.430034 | 0,0453* | 53.608 |
Opérateur | -0,004115 | -0,006173 | 0,0218 | -0,0489 | 0,0365544 | 0,7771 | 0,000 |
Pièce*Opérateur | -0,199588 | -0,299383 | 0,1464372 | -0,586394 | -0,012371 | 0,0409* | 0,000 |
Résiduel | | 1.5 | 0.3354102 | 1.0110933 | 2.4556912 | | 46.392 |
Total | | 3.2333333 | 0.9283863 | 1.9759148 | 6.2317667 | | 100.000 |
-2 LogVraisemblance = 203,88510393
Comment interpréter ces résultats ?
Re : Comment interpréter le résultat du modèle à effets aléatoires dans JMP ?Ce n'est pas une discussion facile techniquement, mais pratiquement j'ai quelques réflexions :
1. Nous ne nous soucions vraiment pas autant des valeurs réelles des composantes de la variance, mais des valeurs relatives par rapport aux autres dans l'étude.
2. C'est l'ampleur de ces composantes qui est la plus intéressante (et non le signe). En règle générale, JMP passe aux estimations bayésiennes lorsqu'il existe des composantes REML négatives.
3. Soyez toujours prudent avec les valeurs p. Elles sont fonction des comparaisons au sein de l'ensemble de données collectées. Leur lien avec la réalité (ou leur utilité) dépend de la manière dont les données ont été collectées.
4. En outre, des points de données inhabituels peuvent avoir un effet considérable sur les estimations des composantes de la variance et les tests quantitatifs ultérieurs. Tracez TOUJOURS les données et évaluez les données pour les points de données de cause inhabituelle ou spéciale.
5. Comparez les données à vos prédictions... est-ce logique ? Pouvez-vous expliquer ce que vous voyez ? Ne désactivez pas l'ingénierie ou la science.
Re : Comment interpréter le résultat du modèle à effets aléatoires dans JMP ?Je suis tombé sur cette discussion en essayant de comprendre comment interpréter les estimations de la composante de variance négative avec une faible valeur p de Wald (bien que dans mon cas, la composante de variance négative soit pour un effet principal).Je supposais juste qu'une faible valeur p de Wald ne devrait être considérée comme vraiment importante que si l'estimation de la composante de variance était positive, si l'estimation est négative, cela n'a pas de sens de dire qu'elle est statistiquement significative.Mais votre commentaire sur l'estimation négative de l'interaction me rend confus.J'interpréterais la composante de variance d'interaction comme la variation due à l'interaction entre les pièces et les opérateurs, donc si l'estimation est négative, je pensais qu'elle serait interprétée comme n'étant pas vraiment significative, quelle que soit la valeur p de Wald.Merci.
Re : Comment interpréter le résultat du modèle à effets aléatoires dans JMP ?J'ajouterai juste un peu à @Mark_Bailey en vous assurant que vous avez ÉGALEMENT tracé les données à l'aide d'une variété de techniques graphiques disponibles dans les plates-formes et sous-plates-formes Gauge R & R et/ou Measurement Systems Analysis. Ces graphiques peuvent souvent être très informatifs en visualisant les caractéristiques/caractéristiques du système de mesure qui sont intéressantes et précieuses au-delà des résultats tabulaires statiques qui sont également présentés. Voici un lien vers la documentation en ligne de la plate-forme MSA comme un bon point de départ :
https://www.jmp.com/support/help/14-2/measurement-systems-analysis.shtml#
Et voici un webinaire JMP On Demand Mastering JMP que j'ai animé pendant mon mandat SAS et que vous pourriez également trouver utile :
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/evaluating-and-monitoring-your-process-using-msa-and-spc.html
Re : Comment interpréter le résultat du modèle à effets aléatoires dans JMP ?Le résultat principal de REML est la colonne Var Component. Les composants du modèle s'additionnent au total. Le résultat suivant est l'intervalle de confiance ou la valeur p pour le rapport de Wald. Les estimations Part et Part*Operator semblent être significativement différentes de zéro. La hiérarchie du modèle nécessite de conserver le terme Opérateur même s'il ne semble pas différent de zéro.
L'estimation négative de la composante d'interaction est due au fait qu'il s'agit en fait d'une covariance, qui peut être négative. Un autre membre de la communauté pourrait avoir plus de perspicacité dans l'interprétation dans le cas de la MSA.
La variance de la pièce est d'environ 54 % du total et le résidu (répétabilité) est d'environ 46 % du total, donc ce système de mesure n'est pas bon.
Avez-vous également analysé vos données avec la plateforme Variability Chart ?
