成绩单 |
| 你好，我的名字是克里斯·戈特沃尔特。 我的共同主持人哈德利 |
| Myers 和我正在展示一个用于获得改进的加载项 |
| 方差总和或线性组合的置信区间 |
| 成分。这是我们进行的一系列会谈的一部分 |
| 我们致力于改进和评估几种方法。 |
| 获得方差分量总和的置信区间 |
| 质量很重要，因为它提供了不确定性 |
| 对可重复性以及我们的可重复性的评估 |
| 测量系统。 问题是当我们要求 95% |
| 置信区间，涉及近似值，并且 |
| 实际区间覆盖率可低至 80%。 |
| 在我们之前的研究中，我们发现两种方法 |
| 提高覆盖率，参数引导和 |
| Satterthwaite 区间，但在小范围内仍低于 95% |
| 样品。加载项的早期版本实现了 |
| 参数引导作为权宜之计和伊丽莎白克拉森 |
| 在 Fit Mixed 中实现了 Satterthwaite 区间 |
| JMP Pro 16 本机平台。 我想在这里停下来 |
| Elizabeth Claassen 对 |
| 方差分量的线性组合更容易和 |
| JMP 专业版 16。 她还大大扩展了混合模型的输出， |
| 这使得这个演示变得非常容易。 我也希望 |
| 该演示文稿将作为启发 |
| 其他人检查这些新的保存命令，以便他们可以得到 |
| 更多来自 JMP Pro 的混合模型功能。 现在我们要 |
| 使用称为 Bootstrap 的技术结合这两种方法 |
| Loh 在 1991 年引入的区间校准 |
| 统计学文章。 自举校准是一种非常 |
| 提高置信覆盖率的一般程序 |
| 几乎可以应用于任何参数的区间 |
| 统计模型。 我先介绍一下基本思路 |
| 用我最简单的术语进行引导间隔校准 |
| 可以，然后把麦克风交给哈德利，他将演示 |
| 添加并讨论我们的模拟结果。 做这个 |
| 很简单，让我们把它具体化。 考虑一个非常小的嵌套 |
| 测量我们想要估计总数的 R&R 类型研究 |
| 变化。 我们收集数据并运行嵌套方差 |
| 具有操作员效果的组件模型，其中的一个零件 |
| 算子效应，还有残余效应。 该软件报告了一个 |
| 基于Satterthwaite的总区间。 众所周知， |
| 这是一个假设“大”的近似值 |
| 数据量是为了实际覆盖 |
| 区间接近 95%。 |
| 在小样本中，实际覆盖率、 |
| 区间过程生成实际包含的区间 |
| 估计数量的真实值，往往会更小 |
| 超过 95%。 事情是实际的区间覆盖率是 |
| 设计的复杂功能，真正的价值 |
| 函数，以及一长串其他难以假设的假设 |
| 或无法验证。 我们可以做的是使用合适的 |
| 模型及其参数进行参数引导。 什么时候我们 |
| 这样做，我们知道我们的数量的真实价值 |
| 估计，因为我们正在使用该值进行模拟。 |
| 我们可以进行数千次模拟。 我们应用 |
| 对所有模拟样本进行相同的模型拟合过程。 我们 |
| 可以从 JMP 收集间隔并计算频率 |
| 它们包含您所产生的数量的生成值 |
| 感兴趣。 在这种情况下，我们对所有的总和感兴趣 |
| 方差分量，因此真实值为 4.515。 |
| 假设我们采用原始数据集，进行估计， |
| 使用来自 Fit Mixed 的保存模拟公式， |
| 并生成大量新数据集，并应用 |
| 我们在这里对它们应用的相同模型拟合过程， |
| 我们收集了所有的置信区间 |
| 报道在总数左右。 完成此操作后，假设 |
| 那……估计的覆盖范围，估计的数量 |
| 这些间隔实际上包含真相的时间， |
| 结果是88%。 |
| 所以我们想要那个 95% 的间隔，但是 Bootstrap |
| 程序告诉我们实际覆盖范围更接近 |
| 88%。 现在我们可以玩一个小游戏，我们可以重复 |
| 这次使用 99% 的时间间隔进行参数引导。 所以我们去 |
| 通过这个过程，我们重做所有的引导间隔和 |
| 当我们进行 99% 区间时，我们得到的实际覆盖率为 |
| 约 98%。 现在假设我们一遍又一遍地做这个游戏 |
| 再次，直到我们找到一个阿尔法 |
| 实际覆盖率约为 95%。 所以在这个 |
| 案例，假设我们这样做了，我们最终找到了 97.6% |
| 当我们要求 97.6% 的区间时，我们实际上得到了 |
| 类似于 95% 的覆盖率。 |
| 然后我们可以做的是使用 Fit 将 1 减去 alpha 设置为 0.976 |
| 模型启动对话框，设置 alpha 选项，将获得一个 |
| 经过 Bootstrap 校准的时间间隔 |
| 大约覆盖率 95%。 这仍然是一个近似值。 那里 |
| 仍然是它的模拟组件，以及更深层次的 |
| 非常难以分析的潜在近似值， |
| 但它可以变得易于使用，这就是 Hadley 的用武之地 |
| 在。 现在我要把它交给他，他将演示 |
| 加载项并检查他所做的模拟 |
| 表明我们能够获得比 |
| 在应用 Bootstrap 之前 |
| 在线性组合上校准到 Satterthwaite 区间 |
| 方差分量。 把它拿走哈德利。 |
| 非常感谢克里斯，向所有在线观看的人问好 |
| 无论你在哪。 因此，我将首先向您展示加载项如何 |
| 工作原理以及如何使用它来计算 Bootstrap Calibrated |
| 混合模型中随机分量的置信限 |
| JMP 专业版 16。 |
| 从那里我们将退后一步。 我们将看到加载项如何 |
| 进行这些计算，我将重点介绍一些新增内容 |
| JMP Pro 16 中的混合模型允许它这样做。 |
| 从那里，我将向您展示一些模拟的结果 |
| 研究让您了解这有多准确 |
| 区间估计方法是，Bootstrap Calibration |
| 方法，以及它与其他一些方法的比较 |
| 计算置信限，以及它的情况 |
| 或多或少准确以及您的一些限制和事情 |
| 应该知道你是否要应用它。 |
| 我们将讨论未来工作改进的可能性 |
| 简单地说，从那里，我将通过向您展示 |
| 新的 MSA 设计师、测量系统分析设计师、 |
| 可从 JMP Pro 16 的 DOE 菜单中获得，以便您可以快速 |
| 并轻松设计和分析您自己的 MSA Gauge R&R |
| 学习。因此，让我们从查看此数据集开始。 |
| 这是我从示例数据文件中提取的。 |
| 我将在此处运行已保存的 Fit Mix 脚本。 所以 |
| 我们在这里得到的是我们的随机估计，估计 |
| 对于随机分量。 |
| 现在。 |
| 出于某种原因，您可能想要计算一个 |
| 中间总计，例如嵌套的运算符和零件 |
| 操作员，或者这三个， |
| 你知道，算子和残差。 |
| 所以计算这些非常简单，我们只需添加这些 |
| 估计，但不那么简单的是确定那些 |
| 置信限度。 |
| 混合模型中有一个新功能已在 16 中添加。 |
| 的线性组合 |
| 方差分量的线性组合特征 |
| 就在这里，所以你可以做的是你可以点击它。 |
| 您可以选择您感兴趣的方差分量的组合， |
| 你可以按完成。 所以现在我们对这些有一个估计。 |
| 组件及其 |
| 置信限度。 所以， |
| 我现在要做的就是迈出这一步 |
| 进一步，我将计算 Bootstrap |
| 校准的萨特思韦特估计，我将通过 |
| 转到我的加载项并单击 Bootstrap Calibrated |
| 置信区间。 所以从这里我们可以估计 |
| 模拟次数。 |
| 2500是一个 |
| 推荐号码改为默认号码。 这也是 |
| 其他一些模拟平台的默认编号和 |
| 在 JMP Pro 中。 我要选择 |
| 这个。 但需要注意的一点是，它需要一些 |
| 时间能够做到这一点，所以为了时间的利益 |
| 我要做的是尽早阻止它。 |
| 在这里我们有我们的 |
| 校准区间，校准上下置信度 |
| 添加到报告中的限制。 |
| 所以让我们退后一步，看看那里发生了什么。 |
| 我将继续并再次添加此内容。 |
| 现在，加载项的一件事 |
| 确实，只要你运行它， |
| 是不是加了 |
| 这个模拟公式到数据表中，所以你可以看到 |
| 模拟公式在这里。 |
| 当插件关闭时， |
| 模拟公式消失。 |
| 那里的模拟公式利用了另一个 |
| 已添加到...的功能 |
| 到 JMP Pro 中的混合模型平台，即保存 |
| 模拟公式功能 |
| 这里。所以这将允许你做的是保存 |
| 模拟公式，然后到 |
| 例如，使用它来模拟 |
| 这些值在这里。 所以，我们可以把我们的“Y”换成我们的 |
| 新的模拟公式， |
| 继续运行它。 因此，当您运行加载项时，这是 |
| 全部在后台完成。 但这就是插件的运行方式 |
| 关于计算这些间隔。 所以我要停下来 |
| 这么早，又是为了时间。 |
| 现在我们在这里看到样本 |
| 估计每个。 |
| 模拟。所以插件的工作原理是 |
| 它需要所有这些。 |
| 它计算新的估计上限和 |
| 从此降低萨特思韦特间隔 |
| 估计和这个标准误差，换出不同的 |
| 阿尔法值。 所以我们的目标是 0.05，对吧？ |
| 这样我们就得到了 95% 的上限和下限，以及它是什么 |
| 是不是发现 |
| 一个导致 95% 覆盖率的 alpha 值，即 95% 的命中率 |
| 和 5% 的失误， |
| 将其换入，这就是您获得校准间隔的方式。 |
| 所以我希望你喜欢看到那个。 希望对你有帮助。 |
| 我们已经进行了一些模拟研究，我们发现了什么 |
| 就是它 |
| 间隔，你可以在这里看到四个运算符 |
| 和 12 天作为我们的随机组件， |
| 我们已经实现了大约 |
| 7%，所以命中率是 92.8。 现在这比所有的都好 |
| 其他，包括这个，所以线性组合，即 |
| 简单的标准萨特思韦特区间 |
| 计算线性分量的组合，以及 |
| 自举分位数，在 |
| 偏差校正和加速间隔，但如您所见 |
| 这些间隔都改善了，所有这些， |
| 随着您从 |
| 4 到 8 天，天数从 12 到 24。 所以增加 |
| 这些随机分量的水平 |
| 结果更好，更多 |
| 准确估计置信限，等等 |
| 我们现在有 |
| 这里有一个方法 |
| 那是等价的， |
| 只是，对一个 |
| 0.05 的阿尔法值。 |
| 所以。当然，这种性能上的改进来自于 |
| 成本，其中一个成本是间隔的长度。 |
| 所以你可以在这里看到， |
| 那与我们的 |
| Bootstrap 校准，事实上，我们所有的时间间隔都很好， |
| 当我们有越来越多的运营商时， |
| 间隔的长度要长得多 |
| 捆绑更接近 0 比当你变小时 |
| 运营商的数量。 你可以看到这很糟糕 |
| 更进一步，这就是这里的蓝色区域。 这是真的 |
| 所有这些，但对于 |
| 自举校准间隔。 你可以看到这个 |
| 长尾巴在这里。 |
| 平均而言，你会得到更长的长度使用这个 |
| 方法，但你有一个更准确的方法。 |
| 更深入地探索一下，你可以在这里看到 |
| 这种长度的增加对于四个运算符是正确的，因为 |
| 以及八个运营商，这很重要。 |
| 具有统计学意义。 |
| 我看过的另一件事， |
| 是添加重复的效果，所以区别 |
| 在两次重复和五次重复之间，你会看到什么 |
| 这里是真的没有 |
| 区别。所以看过去 |
| 不同的组合集合 |
| 四个操作员和两个代表到四个操作员和五个代表，大约 6 |
| 测量总数与 3 测量，我们真的不 |
| 获得任何东西。 所有这些都彼此等价。 |
| 所以这是需要注意的事情，你会看到改进 |
| 增加操作员数量时的准确性，并且您 |
| 增加数量时看不到改进 |
| 重复。 |
| 我想提一件事 |
| 改进这些结果的可能性是 |
| 分数随机权重 Bootstrap，我们将拥有 |
| 喜欢能够及时实施 |
| 本次会议。 我们无法做到这一点，采取这个 |
| 并将其应用于随机方差分量，因此我们 |
| 希望能够在未来的工作中做到这一点，甚至可能 |
| 看到 Bootstrap Calibrated 间隔的改进。 |
| 然后我想在我之前强调的另一件事 |
| 去是新的 |
| 已添加到 JMP 16 的 MSA 设计器等 |
| 从这里我们可以做的是我们可以很快 |
| 创建我们自己的设计，以便能够 |
| 执行我们自己的 MSA 或 |
| 仪表 R&R 分析。 所以让我们看看，我会用三个 |
| 运算符和五个部分。 |
| 我会给这些贴上标签 |
| A、B 和 C。 |
| 我们将对每个重复一次。 所以这是两个 |
| 测量总数。 |
| 所以这里我们有一张桌子 |
| 设计。我能做的是我可以按下这个按钮来非常 |
| 快速发送给不同的运营商，有 |
| 他们填写他们的部分，然后发回给我。 |
| 然后我可以添加 |
| 这些结果在一起。 |
| 所以我就整理一下，因为我这里还有一张桌子 |
| 我提前做了这个。 所以我会添加这些 |
| 那边的价值观。 现在从表格中的脚本我们 |
| 可以快速轻松地进行我们自己的测量系统分析 |
| 和仪表 R&R。 所以我希望你觉得这很有用。 我希望你 |
| 继续享受本次会议的会谈。 非常感谢 |
| 很适合听。 |
