Comment implémenter la décomposition de la varianceBonjour, je suis un guide sur la façon d'évaluer la précision des mesures et ils montrent ce chiffre (image 1) pour une étude 20x2x2 (20 jours, 2 analyses par jour, 2 répétitions par analyse).
Suivi de l'explication (image 2) :
Quelle est la meilleure façon de procéder dans JMP ? Faites le tracé avec la part de la variance totale expliquée par chacune des variables, et obtenez également un tableau numérique avec ces informations.
Merci
Personnalisation de masseRe : Comment implémenter la décomposition de la varianceAjouter à @Mark_Bailey Dans les commentaires, je dirai que parfois c'est évident et parfois non. Voici un diagramme simple qui montre le continuum entre imbriqué et croisé avec systématique au milieu. Pour l’échantillonnage systématique, vous trouverez différentes opinions sur la manière de procéder.
Re : Comment implémenter la décomposition de la varianceMerciRe : Comment implémenter la décomposition de la varianceJe ne connais pas de moyen « facile ». C’est un point de confusion très courant, alors ne vous sentez pas mal si ce n’est pas encore tout à fait clair. Je dirai cependant qu'une fois que vous l'aurez compris, ce sera très clair pour vous.
Si c'était toujours l'Opérateur Bob ou Alice tous les jours, l'Opérateur est barré. Mais s'il s'agissait d'opérateurs différents chaque jour et que vous les appeliez simplement Bob et Alice, alors c'est imbriqué. Ce n’est pas comme ça qu’on l’appelle, c’est comme ça !
Voici une lien à une bonne source (parmi tant d'autres !) pour, espérons-le, clarifier les facteurs croisés et imbriqués.
Re : Comment implémenter la décomposition de la variancePour compléter @Mark_Bailey , voici un webinaire JMP On Demand sur le sujet même qui nous intéresse ici, animé par mon ancien collègue @JerryFish :
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/evaluating-and-monitoring-your-process-using-msa-and-spc.html
Re : Comment implémenter la décomposition de la varianceJe pense que je comprends cela, mais si au lieu des exécutions 1 et 2, il s'agissait de l'opérateur Bob et de l'opérateur Alice, cela serait-il également imbriqué ?
Existe-t-il un moyen simple de déterminer si les facteurs sont imbriqués ou croisés, surtout si je pense à plus de 2 facteurs ?
Re : Comment implémenter la décomposition de la varianceCela concerne la modélisation et le calcul correct des composantes de la variance. Cela a à voir avec le sens de la MÊME chose. Vous étiquetez Run comme 1 et 2 pour chaque jour, mais la course changements de jour en jour. L'exécution 1 du jour 3 est pas la même chose que l'exécution 1 le jour 1. S'ils étaient croisés, vous pourriez faire la MÊME course tous les jours, ce qui est physiquement impossible. Une autre façon de voir les choses est celle des degrés de liberté. Si vous utilisiez une conception croisée, vous n'auriez que 2 degrés de liberté pour Run. Mais vous disposez de 20x2 = 40 degrés de liberté pour Run. C'est parce que Run est imbriqué dans Day.
Pense-y de cette façon. Et si le facteur était Échantillon = 1 ou 2 à tester le Jour = 1 à 20. Si le même échantillon est testé chaque jour, il s’agit alors d’un plan croisé. Si les deux échantillons étaient différents chaque jour, alors le plan est emboîté.
Re : Comment implémenter la décomposition de la varianceMerci c'est exactement ce que je voulais.
Bien que je ne comprenne pas pourquoi je dois choisir imbriqué, j'ai supposé que le jour et la course étaient croisés ? Pour chaque jour où vous avez couru 1 et 2 ?
MerciRe : Comment implémenter la décomposition de la varianceJe suppose que vous disposez d'un tableau de données avec une ligne pour chaque mesure. Il existe des colonnes de données pour la mesure et les variables de regroupement. Les variables de regroupement sont nommées Jour (1-20), Exécution (1-2) et Réplication (1-2). Il y aura un total de 80 lignes dans votre tableau.
Il existe plusieurs plates-formes qui peuvent calculer les composantes de la variance pour vous. Les deux vous donneront les estimations mais chacun offre des informations supplémentaires uniques sur les estimations et sur les hypothèses du modèle. Nous commencerons par la plateforme Fit Least Squares.
- Sélectionnez Analyser > Ajuster le modèle.
- Sélectionnez Mesure et cliquez sur Y.
- Sélectionnez Jour et Exécution dans la liste des colonnes de gauche.
- Cliquez sur Ajouter.
- Sélectionnez Jour dans la liste des colonnes et sélectionnez Exécuter dans la liste des effets.
- Cliquez sur Nest.
- Sélectionnez Day et Run[Day] dans la liste des effets.
- Cliquez sur le triangle rouge à côté d'Attributs et sélectionnez Effet aléatoire.
- Vérifiez votre boîte de dialogue par rapport à l'image ci-dessous et lorsqu'ils sont d'accord, cliquez sur Exécuter.
Les composantes de la variance se trouvent dans la colonne Composante Var du rapport Estimations des composantes de la variance REML dans la fenêtre Ajuster les moindres carrés.
Le tableau de variabilité est un autre bon moyen d’obtenir les estimations.
- Sélectionnez Analyser > Qualité et processus > Variabilité / Graphique de jauge d'attribut.
- Sélectionnez Mesure et cliquez sur Y, Réponse.
- Sélectionnez Day and Run et cliquez sur X, Regroupement.
- Cliquez sur Décider plus tard et sélectionnez Imbriqué pour Type de modèle.
- Vérifiez que votre boîte de dialogue correspond à l'image ci-dessous et cliquez sur OK.
- Cliquez sur le triangle rouge à côté de Jauge de variabilité et sélectionnez Composants de variance.
- Cliquez sur OK.
Les résultats des deux plateformes diffèrent. Premièrement, le modèle de la plateforme Variability Gauge inclut un terme d’interaction qui ne fait pas partie du modèle utilisé dans la plateforme Ajuster les moindres carrés. Deuxièmement, la méthode d'estimation est différente. La première plateforme utilisait REML et la seconde plateforme utilisait une technique bayésienne. La raison en est que les variances Day et Run sont de 0 dans mes mesures simulées, donc les estimations peuvent varier d'environ 0. La première plateforme permet des estimations négatives mais vous pouvez modifier ce comportement. La deuxième plate-forme détecte l'estimation négative et change de méthode pour donner uniquement des estimations positives, mais vous pouvez modifier ce comportement.
