成績單 |
| 你好，我的名字是克里斯·戈特沃爾特。 我的共同主持人哈德利 |
| Myers 和我正在展示一個用於獲得改進的加載項 |
| 方差總和或線性組合的置信區間 |
| 成分。這是我們進行的一系列會談的一部分 |
| 我們致力於改進和評估幾種方法。 |
| 獲得方差分量總和的置信區間 |
| 質量很重要，因為它提供了不確定性 |
| 對可重複性以及我們的可重複性的評估 |
| 測量系統。 問題是當我們要求 95% |
| 置信區間，涉及近似值，並且 |
| 實際區間覆蓋率可低至 80%。 |
| 在我們之前的研究中，我們發現兩種方法 |
| 提高覆蓋率，參數引導和 |
| Satterthwaite 區間，但在小範圍內仍低於 95% |
| 樣品。加載項的早期版本實現了 |
| 參數引導作為權宜之計和伊麗莎白克拉森 |
| 在 Fit Mixed 中實現了 Satterthwaite 區間 |
| JMP Pro 16 本機平台。 我想在這裡停下來 |
| Elizabeth Claassen 對 |
| 方差分量的線性組合更容易和 |
| JMP 專業版 16。 她還大大擴展了混合模型的輸出， |
| 這使得這個演示變得非常容易。 我也希望 |
| 該演示文稿將作為啟發 |
| 其他人檢查這些新的保存命令，以便他們可以得到 |
| 更多來自 JMP Pro 的混合模型功能。 現在我們要 |
| 使用稱為 Bootstrap 的技術結合這兩種方法 |
| Loh 在 1991 年引入的區間校準 |
| 統計學文章。 自舉校準是一種非常 |
| 提高置信覆蓋率的一般程序 |
| 幾乎可以應用於任何參數的區間 |
| 統計模型。 我先介紹一下基本思路 |
| 用我最簡單的術語進行引導間隔校準 |
| 可以，然後把麥克風交給哈德利，他將演示 |
| 添加並討論我們的模擬結果。 做這個 |
| 很簡單，讓我們把它具體化。 考慮一個非常小的嵌套 |
| 測量我們想要估計總數的 R&R 類型研究 |
| 變化。 我們收集數據並運行嵌套方差 |
| 具有操作員效果的組件模型，其中的一個零件 |
| 算子效應，還有殘餘效應。 該軟件報告了一個 |
| 基於Satterthwaite的總區間。 眾所周知， |
| 這是一個假設“大”的近似值 |
| 數據量是為了實際覆蓋 |
| 區間接近 95%。 |
| 在小樣本中，實際覆蓋率、 |
| 區間過程生成實際包含的區間 |
| 估計數量的真實值，往往會更小 |
| 超過 95%。 事情是實際的區間覆蓋率是 |
| 設計的複雜功能，真正的價值 |
| 函數，以及一長串其他難以假設的假設 |
| 或無法驗證。 我們可以做的是使用合適的 |
| 模型及其參數進行參數引導。 什麼時候我們 |
| 這樣做，我們知道我們的數量的真實價值 |
| 估計，因為我們正在使用該值進行模擬。 |
| 我們可以進行數千次模擬。 我們應用 |
| 對所有模擬樣本進行相同的模型擬合過程。 我們 |
| 可以從 JMP 收集間隔併計算頻率 |
| 它們包含您所產生的數量的生成值 |
| 感興趣。 在這種情況下，我們對所有的總和感興趣 |
| 方差分量，因此真實值為 4.515。 |
| 假設我們採用原始數據集，進行估計， |
| 使用來自 Fit Mixed 的保存模擬公式， |
| 並生成大量新數據集，並應用 |
| 我們在這裡對它們應用的相同模型擬合過程， |
| 我們收集了所有的置信區間 |
| 報導在總數左右。 完成此操作後，假設 |
| 那……估計的覆蓋範圍，估計的數量 |
| 這些間隔實際上包含真相的時間， |
| 結果是88%。 |
| 所以我們想要那個 95% 的間隔，但是 Bootstrap |
| 程序告訴我們實際覆蓋範圍更接近 |
| 88%。 現在我們可以玩一個小遊戲，我們可以重複 |
| 這次使用 99% 的時間間隔進行參數引導。 所以我們去 |
| 通過這個過程，我們重做所有的引導間隔和 |
| 當我們進行 99% 區間時，我們得到的實際覆蓋率為 |
| 約 98%。 現在假設我們一遍又一遍地做這個遊戲 |
| 再次，直到我們找到一個阿爾法 |
| 實際覆蓋率約為 95%。 所以在這個 |
| 案例，假設我們這樣做了，我們最終找到了 97.6% |
| 當我們要求 97.6% 的區間時，我們實際上得到了 |
| 類似於 95% 的覆蓋率。 |
| 然後我們可以做的是使用 Fit 將 1 減去 alpha 設置為 0.976 |
| 模型啟動對話框，設置 alpha 選項，將獲得一個 |
| 經過 Bootstrap 校準的時間間隔 |
| 大約覆蓋率 95%。 這仍然是一個近似值。 那裡 |
| 仍然是它的模擬組件，以及更深層次的 |
| 非常難以分析的潛在近似值， |
| 但它可以變得易於使用，這就是 Hadley 的用武之地 |
| 在。 現在我要把它交給他，他將演示 |
| 加載項並檢查他所做的模擬 |
| 表明我們能夠獲得比 |
| 在應用 Bootstrap 之前 |
| 在線性組合上校準到 Satterthwaite 區間 |
| 方差分量。 把它拿走哈德利。 |
| 非常感謝克里斯，向所有在線觀看的人問好 |
| 無論你在哪。 因此，我將首先向您展示加載項如何 |
| 工作原理以及如何使用它來計算 Bootstrap Calibrated |
| 混合模型中隨機分量的置信限 |
| JMP 專業版 16。 |
| 從那裡我們將退後一步。 我們將看到加載項如何 |
| 進行這些計算，我將重點介紹一些新增內容 |
| JMP Pro 16 中的混合模型允許它這樣做。 |
| 從那裡，我將向您展示一些模擬的結果 |
| 研究讓您了解這有多準確 |
| 區間估計方法是，Bootstrap Calibration |
| 方法，以及它與其他一些方法的比較 |
| 計算置信限，以及它的情況 |
| 或多或少準確以及您的一些限制和事情 |
| 應該知道你是否要應用它。 |
| 我們將討論未來工作改進的可能性 |
| 簡單地說，從那裡，我將通過向您展示 |
| 新的 MSA 設計師、測量系統分析設計師、 |
| 可從 JMP Pro 16 的 DOE 菜單中獲得，以便您可以快速 |
| 並輕鬆設計和分析您自己的 MSA Gauge R&R |
| 學習。因此，讓我們從查看此數據集開始。 |
| 這是我從示例數據文件中提取的。 |
| 我將在此處運行已保存的 Fit Mix 腳本。 所以 |
| 我們在這裡得到的是我們的隨機估計，估計 |
| 對於隨機分量。 |
| 現在。 |
| 出於某種原因，您可能想要計算一個 |
| 中間總計，例如嵌套的運算符和零件 |
| 操作員，或者這三個， |
| 你知道，算子和殘差。 |
| 所以計算這些非常簡單，我們只需添加這些 |
| 估計，但不那麼簡單的是確定那些 |
| 置信限度。 |
| 混合模型中有一個新功能已在 16 中添加。 |
| 的線性組合 |
| 方差分量的線性組合特徵 |
| 就在這裡，所以你可以做的是你可以點擊它。 |
| 您可以選擇您感興趣的方差分量的組合， |
| 你可以按完成。 所以現在我們對這些有一個估計。 |
| 組件及其 |
| 置信限度。 所以， |
| 我現在要做的就是邁出這一步 |
| 進一步，我將計算 Bootstrap |
| 校準的薩特思韋特估計，我將通過 |
| 轉到我的加載項並單擊 Bootstrap Calibrated |
| 置信區間。 所以從這裡我們可以估計 |
| 模擬次數。 |
| 2500是一個 |
| 推薦號碼改為默認號碼。 這也是 |
| 其他一些模擬平台的默認編號和 |
| 在 JMP Pro 中。 我要選擇 |
| 這個。 但需要注意的一點是，它需要一些 |
| 時間能夠做到這一點，所以為了時間的利益 |
| 我要做的是儘早阻止它。 |
| 在這裡我們有我們的 |
| 校準區間，校准上下置信度 |
| 添加到報告中的限制。 |
| 所以讓我們退後一步，看看那裡發生了什麼。 |
| 我將繼續並再次添加此內容。 |
| 現在，加載項的一件事 |
| 確實，只要你運行它， |
| 是不是加了 |
| 這個模擬公式到數據表中，所以你可以看到 |
| 模擬公式在這裡。 |
| 當插件關閉時， |
| 模擬公式消失。 |
| 那裡的模擬公式利用了另一個 |
| 已添加到...的功能 |
| 到 JMP Pro 中的混合模型平台，即保存 |
| 模擬公式功能 |
| 這裡。所以這將允許你做的是保存 |
| 模擬公式，然後到 |
| 例如，使用它來模擬 |
| 這些值在這裡。 所以，我們可以把我們的“Y”換成我們的 |
| 新的模擬公式， |
| 繼續運行它。 因此，當您運行加載項時，這是 |
| 全部在後台完成。 但這就是插件的運行方式 |
| 關於計算這些間隔。 所以我要停下來 |
| 這麼早，又是為了時間。 |
| 現在我們在這裡看到樣本 |
| 估計每個。 |
| 模擬。所以插件的工作原理是 |
| 它需要所有這些。 |
| 它計算新的估計上限和 |
| 從此降低薩特思韋特間隔 |
| 估計和這個標準誤差，換出不同的 |
| 阿爾法值。 所以我們的目標是 0.05，對吧？ |
| 這樣我們就得到了 95% 的上限和下限，以及它是什麼 |
| 是不是發現 |
| 一個導致 95% 覆蓋率的 alpha 值，即 95% 的命中率 |
| 和 5% 的失誤， |
| 將其換入，這就是您獲得校準間隔的方式。 |
| 所以我希望你喜歡看到那個。 希望對你有幫助。 |
| 我們已經進行了一些模擬研究，我們發現了什麼 |
| 就是它 |
| 間隔，你可以在這裡看到四個運算符 |
| 和 12 天作為我們的隨機組件， |
| 我們已經實現了大約 |
| 7%，所以命中率是 92.8。 現在這比所有的都好 |
| 其他，包括這個，所以線性組合，即 |
| 簡單的標準薩特思韋特區間 |
| 計算線性分量的組合，以及 |
| 自舉分位數，在 |
| 偏差校正和加速間隔，但如您所見 |
| 這些間隔都改善了，所有這些， |
| 隨著您從 |
| 4 到 8 天，天數從 12 到 24。 所以增加 |
| 這些隨機分量的水平 |
| 結果更好，更多 |
| 準確估計置信限，等等 |
| 我們現在有 |
| 這裡有一個方法 |
| 那是等價的， |
| 只是，對一個 |
| 0.05 的阿爾法值。 |
| 所以。當然，這種性能上的改進來自於 |
| 成本，其中一個成本是間隔的長度。 |
| 所以你可以在這裡看到， |
| 那與我們的 |
| Bootstrap 校準，事實上，我們所有的時間間隔都很好， |
| 當我們有越來越多的運營商時， |
| 間隔的長度要長得多 |
| 捆綁更接近 0 比當你變小時 |
| 運營商的數量。 你可以看到這很糟糕 |
| 更進一步，這就是這裡的藍色區域。 這是真的 |
| 所有這些，但對於 |
| 自舉校準間隔。 你可以看到這個 |
| 長尾巴在這裡。 |
| 平均而言，你會得到更長的長度使用這個 |
| 方法，但你有一個更準確的方法。 |
| 更深入地探索一下，你可以在這裡看到 |
| 這種長度的增加對於四個運算符是正確的，因為 |
| 以及八個運營商，這很重要。 |
| 具有統計學意義。 |
| 我看過的另一件事， |
| 是添加重複的效果，所以區別 |
| 在兩次重複和五次重複之間，你會看到什麼 |
| 這裡是真的沒有 |
| 區別。所以看過去 |
| 不同的組合集合 |
| 四個操作員和兩個代表到四個操作員和五個代表，大約 6 |
| 測量總數與 3 測量，我們真的不 |
| 獲得任何東西。 所有這些都彼此等價。 |
| 所以這是需要注意的事情，你會看到改進 |
| 增加操作員數量時的準確性，並且您 |
| 增加數量時看不到改進 |
| 重複。 |
| 我想提一件事 |
| 改進這些結果的可能性是 |
| 分數隨機權重 Bootstrap，我們將擁有 |
| 喜歡能夠及時實施 |
| 本次會議。 我們無法做到這一點，採取這個 |
| 並將其應用於隨機方差分量，因此我們 |
| 希望能夠在未來的工作中做到這一點，甚至可能 |
| 看到 Bootstrap Calibrated 間隔的改進。 |
| 然後我想在我之前強調的另一件事 |
| 去是新的 |
| 已添加到 JMP 16 的 MSA 設計器等 |
| 從這裡我們可以做的是我們可以很快 |
| 創建我們自己的設計，以便能夠 |
| 執行我們自己的 MSA 或 |
| 儀表 R&R 分析。 所以讓我們看看，我會用三個 |
| 運算符和五個部分。 |
| 我會給這些貼上標籤 |
| A、B 和 C。 |
| 我們將對每個重複一次。 所以這是兩個 |
| 測量總數。 |
| 所以這裡我們有一張桌子 |
| 設計。我能做的是我可以按下這個按鈕來非常 |
| 快速發送給不同的運營商，有 |
| 他們填寫他們的部分，然後發回給我。 |
| 然後我可以添加 |
| 這些結果在一起。 |
| 所以我就整理一下，因為我這裡還有一張桌子 |
| 我提前做了這個。 所以我會添加這些 |
| 那邊的價值觀。 現在從表格中的腳本我們 |
| 可以快速輕鬆地進行我們自己的測量系統分析 |
| 和儀表 R&R。 所以我希望你覺得這很有用。 我希望你 |
| 繼續享受本次會議的會談。 非常感謝 |
| 很適合聽。 |
