la distribuzione dei dati non è in JMP durante l'analisi CPKSto eseguendo l'analisi cpk e ho eseguito l'adattamento continuo -> adatta tutto per trovare la vera distribuzione dei dati, quindi eseguire cpk. JMP ha fornito l'opzione migliore, quindi ho eseguito la Bontà di adattamento per confermare tramite il valore P, tuttavia, P <0,001 che rifiuta la distribuzione suggerita da JMP. Presumo che ciò significhi che JMP non ha memorizzata la distribuzione corretta. La mia domanda è: posso semplicemente utilizzare la distribuzione per eseguire CPK, in base all'AICc più basso in JMP? Oppure quale sarà l'opzione qui per ottenere il CPK corretto? Grazie.
Ingegneria della qualità e dei processiRi: la distribuzione dei dati non è in JMP durante l'analisi CPKGrazie per l'istogramma e i box plot. Il grafico quantile che stavo chiedendo aiuterebbe a capire perché il modello migliore continua a fallire la bontà del fit test perché traccia i dati con assi che sono stati trasformati per linearizzare la CDF e gli indicatori di dati. Il sistema visivo umano è molto bravo a rilevare la posizione e i modelli lineari. Ecco un esempio che utilizza la variabile :weight nella tabella dati Big Class. La piattaforma di distribuzione ha selezionato il modello di distribuzione lognormale basato su AICc e quindi ho prodotto sia i grafici QQ che PP. (Il primo grafico rappresenta i quantili e il secondo rappresenta le probabilità, sia dai dati che dal modello.) La linea retta (riferimento) è la CDF per la distribuzione lognormale. Ispezionare i marcatori rispetto a questa linea di riferimento per "accordo"/"disaccordo" o "bontà di adattamento".
Come appaiono i tuoi dati in questi grafici rispetto al modello di distribuzione SHASH selezionato (e adattato)?
Ri: la distribuzione dei dati non è in JMP durante l'analisi CPKQuesti test di bontà di adattamento sono notoriamente sensibili quando la quantità di dati è elevata. L’idea è semplicemente che i dati reali, in grandi quantità, raramente seguono un modello di distribuzione idealistico. Anche grandi quantità di dati provenienti dal campionamento di una popolazione ideale (ad esempio, un generatore di numeri casuali per una data distribuzione) spesso troveranno uno scostamento statisticamente significativo dal modello, che è un errore di tipo I.
Ri: la distribuzione dei dati non è in JMP durante l'analisi CPKHo più di 1k obs, solo il naturale dei dati è un picco seguito da una coda sottile.
Ri: la distribuzione dei dati non è in JMP durante l'analisi CPKEcco il istogramma e grafico quantile.
Ri: la distribuzione dei dati non è in JMP durante l'analisi CPKI grafici (ovvero l'istogramma e il grafico dei quantili) non sono visibili in nessuna delle immagini fornite.
Ri: la distribuzione dei dati non è in JMP durante l'analisi CPKLe immagini che @Mark_Bailey sta cercando sarebbe estremamente utile. Come ha affermato, il piccolo valore p potrebbe essere causato da un valore anomalo. Le immagini aiuteranno a determinarlo. Inoltre, quante osservazioni hai? Con dati sufficienti, qualsiasi piccola discrepanza che non abbia alcun significato pratico potrebbe essere contrassegnata come statisticamente significativa. Ancora una volta, anche le foto richieste da Mark aiuteranno a determinarlo.
Ri: la distribuzione dei dati non è in JMP durante l'analisi CPKHo allegato la foto nel post originale. Potrei sbagliarmi. L'immagine allegata mostra che JMP ha selezionato SHASH come l'adattamento migliore, ma il valore p della bontà dell'adattamento è <0,001. La mia comprensione è che questo p rifiutare l'ipnosi di SHASH è la distribuzione. la sovrapposizione sembra adatta e anche i grafici qq sembrano buoni, ma non capisco perché i valori P siano così bassi.
Ri: la distribuzione dei dati non è in JMP durante l'analisi CPKPerché questi modelli distributivi, anche quelli “migliori”, non si adattano bene? Fornisci un'immagine dell'istogramma in Distribuzione con sovrapposta la trama del grafico del PDF. Inoltre, puoi fornire il grafico quantile utilizzando il comando nel triangolo rosso per l'adattamento selezionato? Potrebbe trattarsi di un problema relativo ai dati o a un valore anomalo.
Gli indici di capacità dipendono fortemente dalla definizione delle code della distribuzione, quindi avere un buon adattamento è importante se si prevede di utilizzare le stime del CDF adattato nel calcolo.
Ri: la distribuzione dei dati non è in JMP durante l'analisi CPKCompletamente d'accordo. Semplicemente non ho un solido supporto per i miei risultati cpk se le persone mettono in dubbio il valore P nella mia determinazione della distribuzione.
Ri: la distribuzione dei dati non è in JMP durante l'analisi CPKNon sono la persona giusta per rispondere alle tue domande, ma ho qualche spunto di riflessione:
Credo che quello che stai cercando di fare sia ottenere una stima della variazione di qualunque cosa tu stia misurando e confrontarla con le specifiche. Ci sono molti modi per farlo così come ci sono molti indici per riassumere questi confronti. TUTTI gli indici sono stime. NON ne esiste uno corretto. Lo scopo dell'analisi della distribuzione dei dati è determinare quali statistiche riassuntive descrivono meglio la tendenza centrale e la dispersione. Altrettanto importante (o forse di più) è determinare se i dati provengono da un sistema stabile. In caso contrario, gli indici sicuramente non saranno utili.
