Come interpretare il risultato del modello di effetti casuali in JMP?Ho adattato un modello di effetti casuali con 2 fattori ( Parte n. E Operatore ) selezionando l'opzione "Effetti casuali" in "Attributi" nella finestra "Fit Model" (con interazione Part*Operator).
Ho ricevuto il seguente output sotto Stime dei componenti della varianza REML tavolo.
Effetto casuale | Rapporto variabile | Componente Var | Errore standard | 95% inferiore | 95% Superiore | Valore p di Wald | Percentuale del totale |
Parte | 1.1555556 | 1.7333333 | 0.8656795 | 0.0366326 | 3.430034 | 0,0453* | 53.608 |
Operatore | -0.004115 | -0.006173 | 0,0218 | -0,0489 | 0.0365544 | 0,7771 | 0.000 |
Parte*Operatore | -0.199588 | -0,299383 | 0.1464372 | -0,586394 | -0.012371 | 0,0409* | 0.000 |
Residuo | | 1.5 | 0.3354102 | 1.0110933 | 2.4556912 | | 46.392 |
Totale | | 3.2333333 | 0.9283863 | 1.9759148 | 6.2317667 | | 100.000 |
-2 LogLikelihood = 203,88510393
Come interpretare questi risultati?
Ri: Come interpretare il risultato del modello di effetti casuali in JMP?Questa non è una discussione facile tecnicamente, ma in pratica ho alcune riflessioni:
1. In realtà non ci interessano tanto i valori effettivi delle componenti della varianza, ma i valori relativi rispetto agli altri nello studio.
2. È la grandezza di quei componenti che è di maggior interesse (non il segno). Di solito JMP passa alle stime bayesiane in presenza di componenti REML negativi.
3. Sii sempre cauto con i valori p.. sono una funzione dei confronti all'interno del set di dati raccolti. Se hanno qualche associazione con la realtà (o sono utili) è una funzione di come i dati sono stati raccolti.
4. Inoltre, punti dati insoliti possono avere un enorme effetto sulle stime dei componenti della varianza e sui successivi test quantitativi. SEMPRE traccia i dati e valuta i dati per i punti dati per cause insolite o speciali.
5. Traccia i dati confrontandoli con le tue previsioni... ha senso? Puoi spiegare cosa vedi? Non disattivare l'ingegneria o la scienza.
Ri: Come interpretare il risultato del modello di effetti casuali in JMP?Mi sono imbattuto in questa discussione cercando di capire come interpretare le stime della componente di varianza negativa con un valore p di Wald basso (sebbene nel mio caso la componente di varianza negativa sia per un effetto principale).Stavo solo supponendo che un valore p di Wald basso dovrebbe essere considerato veramente importante solo se la stima della componente di varianza era positiva, se la stima è negativa non ha senso dire che è statisticamente significativa.Ma il tuo commento sulla stima negativa per l'interazione mi ha confuso.Interpreterei la componente della varianza dell'interazione come la variazione dovuta all'interazione tra parti e operatori, quindi se la stima è negativa pensavo che sarebbe stata interpretata come non veramente significativa, indipendentemente dal valore p di Wald.Grazie.
Ri: Come interpretare il risultato del modello di effetti casuali in JMP?Aggiungerò solo un po 'a @Mark_Bailey assicurandosi di aver ANCHE tracciato i dati utilizzando una varietà di tecniche grafiche disponibili nelle piattaforme e sottopiattaforme Gauge R & R e/o Measurement Systems Analysis. Questi grafici possono spesso essere molto istruttivi visualizzando caratteristiche/caratteristiche nel sistema di misurazione che sono interessanti e preziose oltre ai risultati tabulari statici che vengono anche presentati. Ecco un collegamento alla documentazione online per la piattaforma MSA come un buon punto di partenza:
https://www.jmp.com/support/help/14-2/measurement-systems-analysis.shtml#
Ed ecco un webinar JMP su JMP On Demand Mastering che ho ospitato durante il mio mandato SAS che potresti trovare prezioso:
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/evaluating-and-monitoring-your-process-using-msa-and-spc.html
Ri: Come interpretare il risultato del modello di effetti casuali in JMP?Il risultato principale di REML è la colonna Var Component. I componenti del modello si sommano al Totale. Il risultato successivo è l'intervallo di confidenza o p-Value per il rapporto di Wald. Le stime Part e Part*Operator sembrano essere significativamente diverse da zero. La gerarchia del modello richiede di mantenere il termine Operator anche se non sembra essere diverso da zero.
La stima negativa per il componente di interazione è perché è davvero una covarianza, che può essere negativa. Un altro membro della comunità potrebbe avere maggiori informazioni sull'interpretazione nel caso di MSA.
La varianza della parte è circa il 54% del totale e il residuo (ripetibilità) è circa il 46% del totale, quindi questo sistema di misurazione non è buono.
Hai analizzato anche i tuoi dati con la piattaforma Variability Chart?
