會議期間，人們對預期係數的性質存在疑問；無論是在比例因子上還是在實際水平上。 我可以從一位開發人員的同伴那裡確認，他們參考的是其模型中“擬合模型”所使用的縮放比例（例如，保存“預測公式”並註意此處使用的因子居中和縮放比例）。
感謝您的澄清@小腿！
另外，當我查看日記時，在視頻中顯示的“類型1和類型2錯誤”圖表中發現了一些錯誤。我已經更正了隨附日記本和下圖中的錯誤：
＃JMP16，＃Type_1_Type_2_Errors
查看如何檢查：
- 一個樣本均值的誤差幅度
- 一個樣本比例的誤差幅度
- 一個樣本方差的誤差幅度
- 兩個獨立樣本均值的誤差幅度
- 兩個獨立的樣本比例
- 兩個獨立樣本方差的誤差幅度
一個樣本均值的功效
- N 次試驗對設計實驗的影響並比較結果
筆記：問答貫穿整個視頻。
為什麼使用DOE 的樣本量探索器，在 JMP 16 中引入？ 平衡我們的資源（不想運行太多測試）與期望的結果。這些結果取決於所需的置信度和功率，以及一些特定於測試的估計。回答問題，包括
- 我應該測試多少個單元？
- 我能檢測出我的治療方法的差異嗎？
- 構造一個指定寬度的區間需要多少個樣本？
- 我必須測試多少個單元才能估計故障時間？
關於統計置信度
如果我們收集零件樣本並對每個零件進行測量，我們就可以計算該特定樣本的平均值和標準偏差。樣本是從零件的“總體”中抽取的，它有自己的真實平均值和真實標準偏差。我們無法知道真實的總體均值和標準差（除非我們測量總體中的所有部分，這通常成本過高。）樣本均值和標準差可能與總體均值和標準差不同標準差。我們想對我們認為總人口平均值可能真正存在的值範圍進行限制。
為了確定這個範圍，我們需要對我們的結果有一定的信心。這可以是 0 到 100% 之間的任何百分比。通常選擇為 95%，但這取決於您的應用。因此，經過一些計算，我們最終得到這樣的陳述：“我們 15 個零件的樣本的平均值為 13.1。我們有 95% 的置信度，得出這 15 個部分的真實總體平均值介於 10.4 和 15.8 之間。這意味著 95% 的時間（或 20 次中有 19 次）我是對的。真實總體均值確實介於 10.4 和 15.8 之間。
剩下的 5% 的時間（20 次中有 1 次）我們會出錯。真實總體均值將小於 10.4 或大於 15.8。
請注意，如果我們繪製另一個包含 15 個零件的樣本，我們將得到另一個答案。也許我們得到的樣本平均值為 13.3，但樣本標準差不同。現在我們的 95% 置信區間可能是 10.9 到 15.7。 如果我們再抽取一個樣本，這次是 30 個零件，我們可能會產生更嚴格的 95% 置信區間，比如 12.1 到 14.5。它更緊，因為我們對真實總體均值和標準差有更好的估計，這得益於更大的樣本量。
關於統計功效
這通常涉及能夠檢測差異。 例如，我們想知道真實總體均值是否為 15，在 +/- 1 個單位內。 我們打算從總體中抽取 25 個部分的樣本。我們預計零件的標準偏差將為 1.0 個單位。 當我們估計總體的實際平均值時，我們希望對估計值有 95% 的置信度。
在我假設真實總體均值是 15 +/- 1 時，我們多久是正確的？這是統計功率。在這種情況下，我們有 40% 的時間是正確的。因此，如果我們抽取每個 5 個部分的多個樣本，並且每次都得出總體均值是否真正為 15 +/- 1 的結論，那麼我們只會有 40% 的時間是正確的。我們可以通過增加我們的樣本數量，或者通過擴大要檢測的差異，或者通過降低我們對總體均值估計的置信度。Power = 正確拒絕原假設的概率。我們通常只在 null 實際上為 false 時才對功率感興趣。
資源
- 關於統計的問題？考慮使用免費的在線 JMP統計知識門戶.
- 樣本大小瀏覽器文件，統計解釋和練習。
