会议期间，人们对预期系数的性质存在疑问；无论是在比例因子上还是在实际水平上。 我可以从一位开发人员的同伴那里确认，他们参考的是其模型中“拟合模型”所使用的缩放比例（例如，保存“预测公式”，并注意此处使用的因子居中和缩放比例）。
感谢您的澄清@小腿！
另外，当我查看日记时，在视频中显示的“类型1和类型2错误”图表中发现了一些错误。我已经更正了随附日记本和下图中的错误：
＃JMP16，＃Type_1_Type_2_Errors
查看如何检查：
- 一个样本均值的误差幅度
- 一个样本比例的误差幅度
- 一个样本方差的误差幅度
- 两个独立样本均值的误差幅度
- 两个独立的样本比例
- 两个独立样本方差的误差幅度
一个样本均值的功效
- N 次试验对设计实验的影响并比较结果
笔记：问答贯穿整个视频。
为什么使用DOE 的样本量探索器，在 JMP 16 中引入？ 平衡我们的资源（不想运行太多测试）与期望的结果。这些结果取决于所需的置信度和功率，以及一些特定于测试的估计。回答问题，包括
- 我应该测试多少个单元？
- 我能检测出我的治疗方法的差异吗？
- 构造一个指定宽度的区间需要多少个样本？
- 我必须测试多少个单元才能估计故障时间？
关于统计置信度
如果我们收集零件样本并对每个零件进行测量，我们就可以计算该特定样本的平均值和标准偏差。样本是从零件的“总体”中抽取的，它有自己的真实平均值和真实标准偏差。我们无法知道真实的总体均值和标准差（除非我们测量总体中的所有部分，这通常成本过高。）样本均值和标准差可能与总体均值和标准差不同标准差。我们想对我们认为总人口平均值可能真正存在的值范围进行限制。
为了确定这个范围，我们需要对我们的结果有一定的信心。这可以是 0 到 100% 之间的任何百分比。通常选择为 95%，但这取决于您的应用。因此，经过一些计算，我们最终得到这样的陈述：“我们 15 个零件的样本的平均值为 13.1。我们有 95% 的置信度，得出这 15 个部分的真实总体平均值介于 10.4 和 15.8 之间。这意味着 95% 的时间（或 20 次中有 19 次）我是对的。真实总体均值确实介于 10.4 和 15.8 之间。
剩下的 5% 的时间（20 次中有 1 次）我们会出错。真实总体均值将小于 10.4 或大于 15.8。
请注意，如果我们绘制另一个包含 15 个零件的样本，我们将得到另一个答案。也许我们得到的样本平均值为 13.3，但样本标准差不同。现在我们的 95% 置信区间可能是 10.9 到 15.7。 如果我们再抽取一个样本，这次是 30 个零件，我们可能会产生更严格的 95% 置信区间，比如 12.1 到 14.5。它更紧，因为我们对真实总体均值和标准差有更好的估计，这得益于更大的样本量。
关于统计功效
这通常涉及能够检测差异。 例如，我们想知道真实总体均值是否为 15，在 +/- 1 个单位内。 我们打算从总体中抽取 25 个部分的样本。我们预计零件的标准偏差将为 1.0 个单位。 当我们估计总体的实际平均值时，我们希望对估计值有 95% 的置信度。
在我假设真实总体均值是 15 +/- 1 时，我们多久是正确的？这是统计功率。在这种情况下，我们有 40% 的时间是正确的。因此，如果我们抽取每个 5 个部分的多个样本，并且每次都得出总体均值是否真正为 15 +/- 1 的结论，那么我们只会有 40% 的时间是正确的。我们可以通过增加我们的样本数量，或者通过扩大要检测的差异，或者通过降低我们对总体均值估计的置信度。Power = 正确拒绝原假设的概率。我们通常只在 null 实际上为 false 时才对功率感兴趣。
资源
- 关于统计的问题？考虑使用免费的在线 JMP统计知识门户.
- 样本大小浏览器文件，统计解释和练习。
