JMP で変量効果モデルの結果を解釈するにはどうすればよいですか?2 つの因子 (部品番号とオペレーター) [モデルのフィット] ウィンドウの [属性] で [ランダム効果] オプションを選択します (Part*Operator と対話します)。
次の出力を受け取りましたREML分散成分推定値テーブル。
ランダム効果 | ヴァール比 | 変数コンポーネント | 標準エラー | 95% 低い | 95% 上限 | Wald p 値 | 合計の割合 |
部 | 1.1555556 | 1.7333333 | 0.8656795 | 0.0366326 | 3.430034 | 0.0453* | 53.608 |
オペレーター | -0.004115 | -0.006173 | 0.0218 | -0.0489 | 0.0365544 | 0.7771 | 0.000 |
パート*オペレーター | -0.199588 | -0.299383 | 0.1464372 | -0.586394 | -0.012371 | 0.0409* | 0.000 |
残留物 | | 1.5 | 0.3354102 | 1.0110933 | 2.4556912 | | 46.392 |
合計 | | 3.2333333 | 0.9283863 | 1.9759148 | 6.2317667 | | 100.000 |
-2 対数尤度 = 203.88510393
これらの結果をどう解釈すればよいでしょうか?
Re: JMP で変量効果モデルの結果を解釈するにはどうすればよいですか?これは技術的には簡単な議論ではありませんが、実際的には次のような考えがあります。
1. 実際には、分散成分の実際の値はそれほど気にせず、研究内の他の成分と比較した相対値を気にします。
2. 最も重要なのは、これらの成分の大きさです (符号ではありません)。 通常、JMP は、負の REML コンポーネントがある場合にベイズ推定に切り替えます。
3. p 値には常に注意してください。p 値は、収集されたデータセット内の比較の関数です。 それらが現実と関連があるかどうか (または役立つかどうか) は、データがどのように収集されたかによって決まります。
4. さらに、異常なデータポイントは分散成分の推定とその後の定量的検定に大きな影響を与える可能性があります。 常にデータをプロットし、異常または特殊な原因のデータ ポイントがないかデータを評価します。
5. データをプロットして予測と比較します...意味はありますか? 何が見えているのか説明してもらえますか？ 工学や科学を無視しないでください。
Re: JMP で変量効果モデルの結果を解釈するにはどうすればよいですか?私がこの議論でつまずいたのは、低い Wald p 値で負の分散成分推定値を解釈する方法を理解しようとしていたためです (ただし、私の場合、負の分散成分は主効果のためのものです)。私は、分散成分の推定値が正の場合にのみ、低い Wald p 値が本当に重要であるとみなされるべきであり、推定値が負の場合、それが統計的に有意であると言うのは意味がないと思っていました。しかし、相互作用のマイナスの推定に関するあなたのコメントは私を混乱させました。私は交互作用分散成分を部品と演算子の間の相互作用による変動と解釈するので、推定値が負の場合は、Wald p 値に関係なく、真に有意ではないと解釈されるだろうと考えていました。ありがとう。
Re: JMP で変量効果モデルの結果を解釈するにはどうすればよいですか?少しだけ付け加えておきます@Mark_Baileyの説明では、ゲージ R&R および/または測定システム分析プラットフォームおよびサブプラットフォームで利用可能なさまざまなグラフィカル手法を使用してデータをプロットしたことも確認してください。 これらのチャートは、同様に表示される静的な表結果よりも重要で価値のある測定システムの機能/特性を視覚化することにより、非常に有益な情報となることがよくあります。 まずは MSA プラットフォームのオンライン ドキュメントへのリンクを参照してください。
https://www.jmp.com/support/help/14-2/measurement-systems-analysis.shtml#
また、SAS 在職中に私が主催した JMP On Demand Mastering JMP ウェビナーは次のとおりです。これも価値があると思われます。
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/evaluating-and-monitoring-your-process-using-msa-and-spc.html
Re: JMP で変量効果モデルの結果を解釈するにはどうすればよいですか?REML の主な結果は、Var Component 列です。 モデルのコンポーネントが合計されます。 次の結果は、Wald 比の信頼区間または p 値です。 Part および Part*Operator の推定値は、ゼロとは大きく異なるようです。 モデル階層では、ゼロと異なっていないように見える場合でも、演算子項を保持する必要があります。
交互作用コンポーネントの負の推定値は、実際には共分散であり、負になる可能性があるためです。 別のコミュニティ メンバーは、MSA の場合の解釈についてより詳しい洞察を持っている可能性があります。
Part variance は全体の約 54%、残差 (再現性) は全体の約 46% であるため、この測定システムは良好ではありません。
Variability Chart プラットフォームでもデータを分析しましたか?
