JMP에서 랜덤 효과 모델의 결과를 해석하는 방법은 무엇입니까?2개의 요인( 부품 번호 그리고 운영자 ) "모델 적합" 창의 "속성"에서 "무작위 효과" 옵션을 선택하여(부품*연산자 상호 작용 포함).
아래에서 다음 출력을 받았습니다. REML 분산 구성 요소 추정치 테이블.
무작위 효과 | 변동 비율 | 변수 구성요소 | 표준 오류 | 95% 낮음 | 95% 상한 | Wald p-값 | 총 비율 |
부분 | 1.1555556 | 1.7333333 | 0.8656795 | 0.0366326 | 3.430034 | 0.0453* | 53.608 |
운영자 | -0.004115 | -0.006173 | 0.0218 | -0.0489 | 0.0365544 | 0.7771 | 0.000 |
부품*연산자 | -0.199588 | -0.299383 | 0.1464372 | -0.586394 | -0.012371 | 0.0409* | 0.000 |
잔여 | | 1.5 | 0.3354102 | 1.0110933 | 2.4556912 | | 46.392 |
총 | | 3.2333333 | 0.9283863 | 1.9759148 | 6.2317667 | | 100.000 |
-2 로그우도 = 203.88510393
이 결과를 어떻게 해석해야 할까요?
Re: JMP에서 무작위 효과 모델의 결과를 해석하는 방법은 무엇입니까?이것은 기술적으로 쉬운 토론이 아니지만 실질적으로 몇 가지 생각이 있습니다.
1. 우리는 실제로 분산 구성 요소의 실제 값에 대해 그다지 신경 쓰지 않지만 연구에서 다른 구성 요소와 비교한 상대적 값입니다.
2. 가장 중요한 것은 이러한 구성 요소의 크기입니다(부호가 아님). 일반적으로 JMP는 음수 REML 성분이 있을 때 베이지안 추정치로 전환합니다.
3. 항상 p-값에 주의하십시오. p-값은 수집된 데이터 세트 내에서의 비교 기능입니다. 그것들이 현실과 관련이 있는지(또는 유용한지) 여부는 데이터가 수집된 방법의 함수입니다.
4. 또한 비정상적인 데이터 포인트는 분산 구성 요소 추정 및 후속 정량적 테스트에 큰 영향을 미칠 수 있습니다. 항상 데이터를 플로팅하고 비정상적이거나 특수한 원인 데이터 포인트에 대한 데이터를 평가합니다.
5. 예측과 비교하여 데이터를 플로팅합니다...이치에 맞습니까? 당신이 보는 것을 설명할 수 있습니까? 공학이나 과학을 끄지 마십시오.
Re: JMP에서 무작위 효과 모델의 결과를 해석하는 방법은 무엇입니까?낮은 Wald p-값으로 음의 분산 구성 요소 추정치를 해석하는 방법을 이해하려고 노력했기 때문에 이 토론을 우연히 발견했습니다(제 경우에는 음의 분산 구성 요소가 주 효과에 대한 것임).낮은 Wald p-값은 분산 구성 요소 추정치가 양수인 경우에만 진정으로 중요한 것으로 간주되어야 하고, 추정치가 음수이면 통계적으로 유의하다고 말하는 것이 이치에 맞지 않는다고 가정했습니다.그러나 상호 작용에 대한 부정적인 추정치에 대한 귀하의 의견은 저를 혼란스럽게 합니다.상호 작용 분산 구성 요소를 부품과 작업자 간의 상호 작용으로 인한 변동으로 해석하므로 추정치가 음수이면 Wald p-값에 관계없이 실제로 유의하지 않은 것으로 해석될 것이라고 생각했습니다.감사해요.
Re: JMP에서 무작위 효과 모델의 결과를 해석하는 방법은 무엇입니까?에 조금 추가하겠습니다 @Mark_Bailey 게이지 R & R 및/또는 측정 시스템 분석 플랫폼 및 하위 플랫폼에서 사용할 수 있는 다양한 그래픽 기술을 사용하여 데이터를 플로팅했는지 확인함으로써 님의 설명입니다. 이러한 차트는 또한 제시된 정적 표 결과보다 흥미롭고 가치 있는 측정 시스템의 기능/특성을 시각화하여 매우 유익할 수 있습니다. 시작하기에 좋은 MSA 플랫폼용 온라인 설명서 링크는 다음과 같습니다.
https://www.jmp.com/support/help/14-2/measurement-systems-analysis.shtml#
다음은 제가 SAS 재임 기간 동안 주최한 JMP On Demand Mastering JMP 웨비나입니다.
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/evaluating-and-monitoring-your-process-using-msa-and-spc.html
Re: JMP에서 무작위 효과 모델의 결과를 해석하는 방법은 무엇입니까?REML의 주요 결과는 Var Component 열입니다. 모델의 구성요소는 총계입니다. 다음 결과는 Wald 비율에 대한 신뢰 구간 또는 p-값입니다. 부품 및 부품*연산자 추정치는 0과 상당히 다른 것으로 나타납니다. 모델 계층 구조는 0과 다르지 않은 것처럼 보이지만 연산자 항을 유지해야 합니다.
상호 작용 구성 요소에 대한 음수 추정치는 음수일 수 있는 공분산이기 때문입니다. 다른 커뮤니티 구성원은 MSA의 경우 해석에 대해 더 많은 통찰력을 가질 수 있습니다.
부품 분산은 전체의 약 54%이고 잔차(반복성)는 전체의 약 46%이므로 이 측정 시스템은 좋지 않습니다.
변동성 차트 플랫폼으로 데이터를 분석했습니까?
