192877_de-DE

liliconcom

Wie ist das Ergebnis des Zufallseffektmodells in JMP zu interpretieren?

Ich habe ein Zufallseffektmodell mit zwei Faktoren angepasst ( Teile-Nr. Und Operator ) durch Auswahl der Option „Zufällige Effekte“ unter „Attribute“ im Fenster „Modell anpassen“ (mit Interaktion Teil*Operator).

Ich habe die folgende Ausgabe erhalten Schätzungen der REML-Varianzkomponenten Tisch.

 

Zufälliger Effekt	Var-Verhältnis	Var-Komponente	Standardfehler	95 % niedriger	95 % Obermaterial	Wald p-Wert	Prozent der Gesamtmenge
Teil	1.1555556	1.7333333	0,8656795	0,0366326	3.430034	0,0453*	53.608
Operator	-0,004115	-0,006173	0,0218	-0,0489	0,0365544	0,7771	0,000
Teil*Operator	-0,199588	-0,299383	0,1464372	-0,586394	-0,012371	0,0409*	0,000
Restwert		1.5	0,3354102	1.0110933	2.4556912		46.392
Gesamt		3.2333333	0,9283863	1.9759148	6.2317667		100.000

 

-2 LogLikelihood = 203,88510393

 

Wie sind diese Ergebnisse zu interpretieren?

Betreff: Wie ist das Ergebnis des Zufallseffektmodells in JMP zu interpretieren?

Technisch gesehen ist dies keine einfache Diskussion, aber praktisch habe ich einige Gedanken:

1. Uns geht es eigentlich nicht so sehr um die tatsächlichen Werte der Varianzkomponenten, sondern um die relativen Werte im Vergleich zu den anderen in der Studie.

2. Es ist die Größe dieser Komponenten, die am meisten interessiert (nicht das Vorzeichen). Normalerweise wechselt JMP zu Bayes'schen Schätzungen, wenn negative REML-Komponenten vorhanden sind.

3. Seien Sie immer vorsichtig mit p-Werten. Sie sind eine Funktion von Vergleichen innerhalb des erfassten Datensatzes. Ob sie einen Bezug zur Realität haben (oder nützlich sind), hängt davon ab, wie die Daten gesammelt wurden.

4. Darüber hinaus können ungewöhnliche Datenpunkte einen großen Einfluss auf die Schätzungen der Varianzkomponenten und nachfolgende quantitative Tests haben. Zeichnen Sie die Daten IMMER auf und werten Sie die Daten auf ungewöhnliche oder besondere Ursachen aus.

5. Stellen Sie die Daten grafisch dar und vergleichen Sie sie mit Ihren Vorhersagen. Ist das sinnvoll? Können Sie erklären, was Sie sehen? Schalten Sie Technik und Wissenschaft nicht aus.

Betreff: Wie ist das Ergebnis des Zufallseffektmodells in JMP zu interpretieren?

Ich bin auf diese Diskussion gestoßen, weil ich zu verstehen versuchte, wie Schätzungen der negativen Varianzkomponente mit einem niedrigen Wald-p-Wert zu interpretieren sind (obwohl in meinem Fall die negative Varianzkomponente einen Haupteffekt darstellt).Ich ging lediglich davon aus, dass ein niedriger Wald-p-Wert nur dann als wirklich wichtig angesehen werden sollte, wenn die Schätzung der Varianzkomponente positiv war. Wenn die Schätzung negativ ist, macht es keinen Sinn, sie als statistisch signifikant zu bezeichnen.Aber Ihr Kommentar zur negativen Schätzung der Interaktion hat mich verwirrt.Ich würde die Interaktionsvarianzkomponente als die Variation aufgrund der Interaktion zwischen Teilen und Operatoren interpretieren. Wenn die Schätzung also negativ ist, würde sie meiner Meinung nach unabhängig vom Wald-p-Wert als nicht wirklich signifikant interpretiert werden.Danke.

Betreff: Wie ist das Ergebnis des Zufallseffektmodells in JMP zu interpretieren?

Ich füge noch etwas hinzu @Mark_Bailey Stellen Sie sicher, dass Sie die Daten AUCH mit einer Vielzahl grafischer Techniken dargestellt haben, die auf den Plattformen und Unterplattformen Gauge R & R und/oder Measurement Systems Analysis verfügbar sind. Diese Diagramme können oft sehr informativ sein, indem sie Merkmale/Merkmale im Messsystem visualisieren, die über die ebenfalls dargestellten statischen Tabellenergebnisse hinaus von Interesse und wertvoll sind. Hier ist ein Link zur Online-Dokumentation für die MSA-Plattform als guter Ausgangspunkt:

 

https://www.jmp.com/support/help/14-2/measurement-systems-analysis.shtml#

 

Und hier ist ein JMP On Demand Mastering JMP-Webinar, das ich während meiner Zeit bei SAS veranstaltet habe und das möglicherweise auch für Sie wertvoll sein könnte:

 

https://www.jmp.com/en_us/events/ondemand/mastering-jmp/evaluating-and-monitoring-your-process-using-msa-and-spc.html

 

Betreff: Wie ist das Ergebnis des Zufallseffektmodells in JMP zu interpretieren?

Das Hauptergebnis von REML ist die Spalte Var Component. Die Komponenten von der Modellsumme bis zur Gesamtsumme. Das nächste Ergebnis ist das Konfidenzintervall oder der p-Wert für das Wald-Verhältnis. Die Schätzungen von Part und Part*Operator scheinen deutlich von Null abzuweichen. Die Modellhierarchie erfordert die Beibehaltung des Operator-Terms, auch wenn er scheinbar nicht von Null verschieden ist.

 

Der negative Schätzwert für die Interaktionskomponente liegt daran, dass es sich tatsächlich um eine Kovarianz handelt, die negativ sein kann. Ein anderes Community-Mitglied hätte möglicherweise mehr Einblick in die Interpretation im Fall von MSA.

 

Die Teilvarianz beträgt etwa 54 % der Gesamtmenge und der Rest (Wiederholbarkeit) beträgt etwa 46 % der Gesamtmenge, daher ist dieses Messsystem nicht gut.

 

Haben Sie Ihre Daten auch mit der Variability Chart-Plattform analysiert?