<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />作为分析从业者，我们依靠数据来对我们所做的一切做出判断。但你的数据反映了现实吗？我在说什么？还有什么比原始数据更真实的呢？ 还有什么比将这些数据转化为可操作的信息更令人兴奋的呢？ 为了回答这个问题，让我告诉你们一个关于我自己的故事，你们中的一些人可能会产生共鸣。 多年来，我的体重增加了一些，我正在努力减掉这些体重。作为一名优秀的统计学家，我每天都会通过踩秤来收集我的进展数据。 这是你们大多数人都可能涉及到的肮脏小秘密：如果我不喜欢我看到的数字，我经常会离开秤并重新回到秤上，猜猜有一半的时间我会看到更好的答案！
当我们获取数据时，我们通过测量过程的棱镜来看待真相，就像任何其他过程一样，它可能会出现精度（可变性）和准确性（偏差）问题。 这就引出了一个问题：数据极客应该做什么？ 幸运的是，JMP 支持名为 Gauge R&R 的流程，可帮助我们设置实验并了解测量系统的准确度和精密度。
要回答准确性问题，我们需要通过 NIST 可追溯标准来获取真相。 现在这个标准应该尽可能代表我们将要测量的内容。这有时需要一些创造性思维，因为标准通常不是我们在流程中测量的对象。 我将在下次讨论这个问题，但是相信我，如果您创造性地思考您所测量的内容，您通常可以获得代表您的流程的东西。
估计准确性或偏差的实验应在短时间内完成，方法是在尽可能相似的条件下在短时间内多次测量标准品。这也为我们提供了称为重复性的短期变异性的估计。 要估计偏差，请使用 JMP 中的“分布”平台来评估您对标准进行的测量。
要了解偏差是否可接受，请将 95% CI 与真实标准进行比较，并了解该区间与标准 +/- 可接受偏差的对应关系。
短期变异性的估计是您在上述步骤中获取的数据的标准差。 这也使您有机会进行初步评估，以确定短期变异性对于您的过程是否变化太大。
测量系统的总体变异性是测量系统的短期变异性和长期变异性的组合，可以用以下方程表示：
测量工具变化 (MS) = s 2多发性硬化症= s 2重复性+ s 2再现性
为了了解长期变异性或再现性，我们需要在测量系统使用的不同条件下进行测量。这可能包括一天中的多个时间、多天、多个操作员等。请务必捕获数据表中的可变性来源，并了解变量是否交叉或嵌套。下面是一个示例数据集。
分析 > 质量和流程 > 变异性/属性量规图下的 JMP 会为您完成所有分析。
输出为我们提供了对由于不同来源而导致的可变性的估计（对于改进流程很有用）以及对流程与容差比率或 P/T 比率的估计。P/T 比是由于测量系统对规格限之间的距离长度造成的变化量。 时间/时间 = 6 秒多发性硬化症/(USL – LSL)。 P/T 可接受值的准则是它应小于 30%。
现在我们有了一个可接受的测量系统，我们应该通过控制图方法随着时间的推移对其进行跟踪，以确保它不会漂移并变得不可接受。
所以总而言之，借助JMP我们可以回答数据的问题！ 到底有什么好处呢？ 如果我们的 P/T 比率和偏差可以接受，那么我们的数据就是有价值且值得信赖的。 否则答案绝对是空的，我不会再说一遍。
