Trascrizione |
| Ciao, mi chiamo Chris Gotwalt. Il mio co-presentatore Hadley |
| Myers e io stiamo presentando un componente aggiuntivo per ottenere miglioramenti |
| intervalli di confidenza su somme o combinazioni lineari di varianza |
| componenti. Questo fa parte di una serie di colloqui che abbiamo tenuto come |
| lavoriamo per migliorare e valutare diversi approcci. |
| Ottenere intervalli di confidenza su somme di componenti di varianza |
| è importante in termini di qualità perché fornisce un'incertezza |
| valutazione sulla ripetibilità più la riproducibilità del ns |
| sistema di misura. Il problema è che quando chiediamo un 95% |
| intervallo di confidenza, ci sono approssimazioni coinvolte e il |
| la copertura effettiva dell'intervallo può arrivare fino all'80%. |
| Nei nostri studi precedenti, abbiamo scoperto che due metodi hanno |
| tassi di copertura migliorati, bootstrap parametrico e |
| Intervalli Satterthwaite, ma era ancora inferiore al 95% in piccoli |
| campioni. La versione precedente del componente aggiuntivo implementava il |
| bootstrap parametrico come tappabuchi ed Elizabeth Claassen |
| implementato gli intervalli Satterthwaite nel Fit Mixed |
| piattaforma nativamente in JMP Pro 16. Voglio fermarmi qui per dare |
| Elizabeth Claassen merito di aver effettuato la stima dell'intervallo di |
| combinazioni lineari di componenti di varianza molto più facili e |
| JMP Pro 16. Ha anche notevolmente esteso l'output del modello misto, |
| che ha reso questa presentazione molto più semplice. Spero anche io |
| a cui questa presentazione servirà da ispirazione |
| altri per controllare questi nuovi comandi di salvataggio in modo che possano ottenere |
| di più dalle capacità del modello misto di JMP Pro. Ora lo faremo |
| combinare i due approcci utilizzando una tecnica chiamata Bootstrap |
| Interval Calibration introdotta da Loh nel 1991 |
| Articolo di Statistica Sinica. La calibrazione Bootstrap è molto |
| procedura generale per migliorare la copertura della fiducia |
| intervalli che possono essere applicati a quasi tutti i parametri |
| modello statistico. Introdurrò l'idea di base di |
| Bootstrap Interval Calibration nei termini più semplici che I |
| can, e consegna il microfono ad Hadley, che farà la demo del |
| e discutere i nostri risultati di simulazione. Per fare questo |
| semplice, rendiamolo specifico. Considera un nidificato molto piccolo |
| Gauge Studio di tipo R&R in cui si vuole stimare il totale |
| variazione. Raccogliamo i dati ed eseguiamo una varianza nidificata |
| modello di componenti con un effetto Operatore, una Parte all'interno |
| Effetto operatore e effetto residuo. Il software segnala a |
| Intervallo basato su Satterthwaite sul totale. È risaputo che |
| questa è un'approssimazione che assume un "grande" |
| quantità di dati è presente in ordine per la copertura effettiva di |
| l'intervallo deve essere vicino al 95%. |
| In piccoli campioni, la copertura effettiva, la probabilità che il |
| La procedura interval genera intervalli che effettivamente contengono |
| il valore reale della quantità stimata tenderà ad essere inferiore |
| superiore al 95%. Il fatto è che l'effettiva copertura dell'intervallo è a |
| complicata funzione del design, veri valori di |
| le funzioni e un lungo elenco di altre ipotesi difficili |
| o impossibile da verificare. Quello che possiamo fare però è usare il montato |
| modello e i loro parametri per eseguire un bootstrap parametrico. Quando noi |
| facendo questo, conosciamo il vero valore della quantità che siamo |
| stima perché stavamo simulando utilizzando quel valore. |
| Possiamo fare la simulazione migliaia di volte. Applichiamo il |
| stesso processo di adattamento del modello a tutti i campioni simulati. Noi |
| può raccogliere gli intervalli da JMP e calcolare la frequenza |
| contengono il valore generativo della quantità che tu |
| erano interessati. In questo caso ci interessava la somma di tutti |
| le componenti della varianza, quindi il valore vero è 4,515. |
| Supponiamo di aver preso il nostro set di dati originale, preso le stime, |
| utilizzare la formula di salvataggio della simulazione che deriva da Fit Mixed, |
| e ha generato un gran numero di nuovi set di dati e ha applicato il |
| stesso processo di adattamento del modello che abbiamo applicato qui a ciascuno di essi, |
| e abbiamo raccolto tutti gli intervalli di confidenza che erano |
| riportato intorno al totale. Dopo aver fatto questo, supponiamo |
| che quello... la copertura stimata, il numero stimato |
| di volte che questi intervalli contenevano effettivamente la verità, |
| è risultato essere l'88%. |
| Quindi volevamo quell'intervallo del 95%, ma il Bootstrap |
| la procedura ci dice che la copertura effettiva è più vicina |
| 88%. Ora possiamo fare un piccolo gioco e possiamo ripetere il |
| Bootstrap parametrico usando un intervallo del 99% questa volta. Quindi andiamo |
| attraverso quel processo, rifacciamo tutti gli intervalli di bootstrap e |
| quando abbiamo eseguito l'intervallo del 99%, otteniamo una copertura effettiva di |
| circa il 98%. Ora supponiamo di aver ripetuto questo gioco più e più volte |
| di nuovo finché non abbiamo trovato un'alfa |
| con una copertura effettiva di circa il 95%. Quindi in questo |
| caso, supponiamo di averlo fatto e di aver trovato quel 97,6% |
| quando abbiamo chiesto un intervallo del 97,6%, abbiamo effettivamente ottenuto |
| qualcosa come una copertura del 95%. |
| Quindi quello che possiamo fare è impostare 1 meno alfa su 0,976 usando Fit |
| Finestra di dialogo di avvio del modello, impostazione dell'opzione alfa e otterrà un |
| intervallo che è stato calibrato Bootstrap per avere |
| copertura approssimativa 95%. Questa è ancora un'approssimazione. Là |
| è ancora una componente di simulazione, oltre che una più profonda |
| approssimazione sottostante che è straordinariamente difficile da analizzare, |
| ma può essere reso facile da usare, ed è qui che arriva Hadley |
| in. Ora glielo consegnerò e lui eseguirà la demo del |
| e vai oltre le simulazioni che l'ha fatto |
| dimostrare che siamo in grado di ottenere tassi di copertura migliori rispetto a |
| prima applicando Bootstrap |
| Taratura ad intervalli di Satterthwaite su combinazioni lineari |
| delle componenti di varianza. Portalo via Hadley. |
| Grazie mille, Chris, e ciao a tutti quelli che guardano online |
| ovunque tu sia. Quindi inizierò mostrandoti come funziona il componente aggiuntivo |
| funziona e come puoi usarlo per calcolare Bootstrap Calibrated |
| limiti di confidenza per componenti casuali nei modelli misti in |
| JMP Pro 16. |
| E da lì faremo un passo indietro. Vedremo come il componente aggiuntivo |
| fa questi calcoli e metterò in evidenza alcune delle aggiunte |
| ai modelli misti in JMP Pro 16 che gli consentono di farlo. |
| Da lì, ti mostrerò i risultati di alcune simulazioni |
| studi per darti un'idea di quanto sia accurato questo |
| metodo di stima dell'intervallo è la calibrazione Bootstrap |
| metodo e come si confronta con alcuni degli altri metodi per |
| calcolare i limiti di confidenza, così come le situazioni in cui si trova |
| più o meno precisi e alcuni dei limiti e cose che tu |
| dovrebbe essere consapevole se lo applicherai. |
| Discuteremo le possibilità di miglioramenti nel lavoro futuro |
| solo brevemente, e da lì, concluderò mostrandoti il |
| nuovo progettista MSA, progettista dell'analisi dei sistemi di misura, |
| disponibile dal menu DOE in JMP Pro 16 in modo da poterlo fare rapidamente |
| e progettare e analizzare facilmente il proprio MSA Gauge R&R |
| studi. Quindi iniziamo guardando questo set di dati. |
| Questo è uno che ho estratto dai file di dati di esempio. |
| Eseguirò qui questo script Fit Mix che ho salvato. Così |
| quello che abbiamo qui sono le nostre stime casuali, le stime |
| per componenti casuali. |
| Adesso. |
| potrebbe essere che tu voglia, per qualche motivo, calcolare un |
| totale intermedio, ad esempio Operatore e Parte nidificata con |
| Operatore, o tre di questi, |
| sai, operatore e residuo. |
| Quindi per calcolarli è molto semplice, li aggiungiamo semplicemente |
| stime, ma ciò che non è così semplice è determinarle |
| limiti di confidenza. |
| C'è una nuova funzionalità nei modelli misti che è stata aggiunta in 16. |
| La combinazione lineare di |
| Caratteristica della combinazione lineare delle componenti della varianza |
| proprio qui, e quindi quello che puoi fare è fare clic su quello. |
| Puoi scegliere la combinazione di componenti di varianza che ti interessa, |
| e puoi premere fatto. Quindi ora abbiamo una stima per quelli. |
| Componenti e loro |
| limiti di confidenza. Così, |
| quello che ho intenzione di fare ora è che farò questo passo |
| ulteriormente e ho intenzione di calcolare il Bootstrap |
| Stime Satterthwaite calibrate e lo farò entro |
| andando ai miei componenti aggiuntivi e facendo clic su Bootstrap Calibrated |
| intervalli di confidenza lì. Quindi da qui possiamo stimare il |
| numero di simulazioni |
| 2500 è un |
| numero consigliato al numero predefinito. È anche il |
| numero predefinito in alcune delle altre piattaforme di simulazione e |
| in JMP Pro. vado a scegliere |
| Questo. Ma una cosa da notare è che ce ne vuole un po' |
| tempo per poterlo fare, e così nell'interesse del tempo |
| quello che ho intenzione di fare è che lo smetta presto. |
| E qui abbiamo il nostro |
| intervalli calibrati, confidenza superiore e inferiore calibrata |
| limiti aggiunti al rapporto. |
| Quindi facciamo un passo indietro e vediamo cosa è successo lì. |
| Vado avanti e aggiungo questo di nuovo. |
| Ora, una cosa che il componente aggiuntivo |
| non appena lo esegui, |
| si aggiunge |
| questa formula di simulazione alla tabella dei dati, in modo da poter vedere il |
| formula di simulazione qui. |
| Quando il componente aggiuntivo viene chiuso, |
| la formula di simulazione scompare. |
| La formula di simulazione ne sfrutta un'altra |
| funzione che è stata aggiunta a... |
| alla piattaforma Modelli misti in JMP Pro, e questo è il salvataggio |
| Funzione di formula di simulazione |
| qui. Quindi ciò che questo ti permetterebbe di fare è salvare il file |
| formula di simulazione e poi a |
| usalo, ad esempio, per simulare |
| questi valori qui. Quindi, possiamo sostituire la nostra "Y" con la nostra |
| nuova formula di simulazione, |
| e vai avanti ed esegui quello. Quindi, quando esegui il componente aggiuntivo, questo è |
| tutto fatto in background. Ma è così che va il componente aggiuntivo |
| sul calcolo di questi intervalli. Quindi mi fermo |
| così presto, ancora una volta nell'interesse del tempo. |
| E ora vediamo qui i campioni |
| stimato per ciascuno. |
| simulazione. E così come funziona il componente aggiuntivo |
| ci vuole tutto questo. |
| E calcola nuove stime per la tomaia e |
| intervalli Satterthwaite inferiori da questo |
| stima e questo errore standard, sostituendo in modo diverso |
| valori per alfa. Quindi a cosa miriamo 0,05, giusto? |
| In modo da ottenere il 95% dei limiti superiore e inferiore e cosa |
| fa è trova |
| un valore alfa che si traduce in una copertura del 95%, ovvero il 95% di hit |
| e il 5% manca, |
| lo scambia, è così che ottieni gli intervalli calibrati. |
| Quindi spero che ti sia piaciuto vederlo. Spero che lo trovi utile. |
| Abbiamo fatto alcuni studi di simulazione e quello che abbiamo scoperto |
| è questo |
| gli intervalli, che puoi vedere qui per quattro operatori |
| e 12 giorni come nostri componenti casuali, |
| abbiamo raggiunto manca di circa |
| 7%, quindi un rapporto di successo di 92,8. Ora questo è meglio di tutti |
| altri, compreso questo, quindi la combinazione lineare, che è |
| semplicemente l'intervallo standard di Satterthwaite |
| calcolato sulla combinazione di componenti lineari, nonché il |
| Quantili Bootstrap, gli intervalli con correzione della distorsione nel file |
| intervalli corretti e accelerati, ma come vedrai |
| questi intervalli migliorano, tutti loro, |
| man mano che aumenti il numero di operatori da |
| da 4 a 8 e il numero di Giorni da 12 a 24. Quindi aumentando il |
| livelli di queste componenti casuali |
| risultato molto meglio, molto di più |
| stime accurate per i limiti di confidenza, e tanto altro |
| che ora abbiamo |
| un metodo qui |
| che è equivalente, |
| solo, ad un |
| valore alfa di .05. |
| Così. questo miglioramento delle prestazioni, ovviamente, arriva |
| un costo, e uno di questi costi è la lunghezza degli intervalli. |
| E così puoi vedere qui, |
| che con il nostro |
| Bootstrap calibrato, bene con tutti i nostri intervalli infatti, |
| che quando abbiamo un numero crescente di Operatori, |
| che la lunghezza dell'intervallo è molto maggiore |
| raggruppato più vicino a 0 di quanto non lo sia quando hai più piccolo |
| numero di Operatori. Puoi vedere che questo esce molto |
| inoltre, quindi questa è quest'area blu qui. Questo è vero per |
| tutti, ma è particolarmente vero per il |
| Bootstrap Intervallo calibrato. Puoi vedere questo |
| coda lunga qui. |
| In media, otterrai lunghezze più lunghe usando questo |
| metodo, ma hai un metodo più accurato. |
| Esplorandolo un po' più a fondo, puoi vedere qui |
| che questo aumento di lunghezza vale per quattro Operatori, come |
| oltre a otto Operatori, ed è significativo. |
| Statisticamente significante. |
| L'altra cosa che ho guardato, |
| è l'effetto di aggiungere ripetizioni, quindi la differenza |
| tra due ripetizioni e cinque ripetizioni, e cosa vedrai |
| ecco che davvero non c'è |
| differenza. Quindi guardando attraverso |
| i diversi insiemi di combinazioni da |
| quattro operatori e due ripetizioni a quattro operatori e cinque ripetizioni, circa 6 |
| misurazioni totali contro 3 misurazioni, in realtà non lo facciamo |
| guadagnare qualcosa. Tutti questi sono equivalenti tra loro. |
| Quindi è qualcosa di cui essere consapevoli, in cui vedi miglioramenti |
| precisione quando si aumenta il numero di operatori e tu |
| non si vedono miglioramenti quando si aumenta il numero di |
| ripetizioni. |
| Una cosa che vorrei menzionare come a |
| possibilità di migliorare questi risultati è il |
| Bootstrap con peso casuale frazionario, che avremmo |
| mi è piaciuto essere in grado di implementare per questo in tempo |
| questa conferenza. Non siamo stati in grado di farlo, di prendere questo |
| e per applicarlo a componenti di varianza casuale, e così noi |
| spero di poterlo fare in futuro e forse anche |
| vedere un miglioramento sull'intervallo calibrato Bootstrap. |
| E poi l'altra cosa che vorrei evidenziare prima di me |
| andare è il nuovo |
| Designer MSA che è stato aggiunto a JMP 16 e così via |
| da qui quello che possiamo fare è molto rapidamente |
| creare il nostro design per poterlo fare |
| eseguire il nostro MSA o |
| Analisi R&R del calibro. E quindi vediamo, lo farò con tre |
| Operatori e cinque parti. |
| Li etichetterò |
| A, B e C. |
| E faremo una ripetizione di ciascuno. Quindi sono due |
| misure totali. |
| Quindi qui abbiamo un tavolo con il nostro |
| disegno. Quello che posso fare è che posso premere questo pulsante molto |
| invialo rapidamente ai diversi operatori, hai |
| loro compilano le loro parti, rispediscimelo. |
| E poi posso aggiungere |
| quei risultati insieme. |
| Quindi ordinerò questo perché ho un altro tavolo qui |
| dove l'ho fatto in anticipo. Quindi aggiungo solo questi |
| valori laggiù. E ora dagli script all'interno della tabella noi |
| può eseguire rapidamente e facilmente la nostra analisi dei sistemi di misurazione |
| e calibro R&R. Quindi spero che tu l'abbia trovato utile. spero che tu |
| continua a goderti i discorsi di questa conferenza. Vi ringrazio |
| molto per l'ascolto. |
