成绩单 |
| 你好，我叫克里斯·戈特瓦尔特。 我的联合主持人哈德利 |
| 迈尔斯和我正在展示一个用于获得改进的插件 |
| 总和或方差线性组合的置信区间 |
| 成分。这是我们作为 |
| 我们致力于改进和评估多种方法。 |
| 获取方差分量之和的置信区间 |
| 对质量很重要，因为它提供了不确定性 |
| 评估我们的重复性和再现性 |
| 测量系统。 问题是当我们要求 95% |
| 置信区间，涉及近似值并且 |
| 实际区间覆盖率可能低至 80%。 |
| 在我们之前的研究中，我们发现有两种方法 |
| 提高覆盖率、参数引导和 |
| Satterthwaite 间隔，但在小范围内仍然低于 95% |
| 样品。该插件的早期版本实现了 |
| 参数化引导作为权宜之计和 Elizabeth Claassen |
| 在 Fit Mix 中实施 Satterthwaite 间隔 |
| JMP Pro 16 中原生的平台。 我想在这里停下来给予 |
| Elizabeth Claassen 对区间估计的贡献 |
| 方差分量的线性组合变得更加容易 |
| JMP Pro 16。 她还极大地扩展了混合模型的输出， |
| 这使得这次演示变得更加容易。 我也希望 |
| 本次演讲将给大家带来启发 |
| 其他人检查这些新的保存命令，以便他们可以获得 |
| 更多来自 JMP Pro 的混合模型功能。 现在我们要 |
| 使用称为 Bootstrap 的技术将这两种方法结合起来 |
| Loh 在 1991 年提出的间隔校准 |
| 《中国统计》文章。 引导校准是一个非常 |
| 提高信心覆盖范围的一般程序 |
| 几乎可以应用于任何参数的区间 |
| 统计模型。 我将介绍基本思想 |
| 用最简单的术语来说，引导间隔校准 |
| 可以，然后将麦克风交给哈德利，他将演示 |
| 插件并讨论我们的模拟结果。 为了使这个 |
| 很简单，我们来具体说一下。 考虑一个非常小的嵌套 |
| 我们想要估计总数的计量 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，其中的零件 |
| 操作员效应和残余效应。 该软件报告了 |
| 基于 Satterthwaite 的间隔总计。 众所周知 |
| 这是假设“大”的近似值 |
| 存在的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、 |
| 间隔过程生成的间隔实际上包含 |
| 估计数量的真实值往往会更少 |
| 超过95%。 实际的区间覆盖范围是 |
| 复杂的功能设计，真正的价值 |
| 函数，以及一长串其他困难的假设 |
| 或无法验证。 我们能做的就是使用合适的 |
| 模型及其参数来进行参数引导。 什么时候我们 |
| 这样做，我们就知道了我们的数量的真实价值 |
| 估计是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，我们感兴趣的是所有的总和 |
| 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， |
| 并生成了大量新的数据集，并应用了 |
| 我们在这里对每个模型应用相同的模型拟合过程， |
| 我们收集了所有的置信区间 |
| 报道总数左右。 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次数， |
| 结果是88%。 |
| 所以我们想要 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 |
| 这次参数化 Bootstrap 使用 99% 的间隔。 所以我们走 |
| 通过这个过程，我们重做所有的引导间隔并且 |
| 当我们进行 99% 间隔时，我们得到的实际覆盖范围是 |
| 大约98%。 现在假设我们一遍又一遍地玩这个游戏 |
| 再次直到我们找到阿尔法 |
| 实际覆盖率约为95%。 所以在这个 |
| 案例，假设我们这样做了，最终发现 97.6% |
| 当我们要求 97.6% 的间隔时，我们实际上得到了 |
| 大约 95% 的覆盖率。 |
| 然后我们可以使用 Fit 将 1 减去 alpha 设置为 0.976 |
| 模型启动对话框，设置 alpha 选项并会得到一个 |
| 已经经过 Bootstrap 校准的间隔 |
| 大约覆盖率95%。 这仍然是一个近似值。 那里 |
| 仍然是它的一个模拟组件，以及更深层次的 |
| 非常难以分析的基本近似值， |
| 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 |
| 之前通过应用 Bootstrap |
| 线性组合上 Satterthwaite 区间的校准 |
| 方差分量。 把它带走哈德利。 |
| 非常感谢你，克里斯，并向所有在线观看的人问好 |
| 无论你在哪。 因此，我将首先向您展示该加载项如何 |
| 工作原理以及如何使用它来计算 Bootstrap Calibated |
| 混合模型中随机成分的置信限 |
| JMP Pro 16。 |
| 从那里我们将退后一步。 我们将看看插件如何 |
| 进行这些计算，我将重点介绍一些补充内容 |
| JMP Pro 16 中的混合模型允许它执行此操作。 |
| 从那里，我将向您展示一些模拟的结果 |
| 研究让您了解这个方法的准确性 |
| 区间估计方法是，Bootstrap Calibration |
| 方法，以及它与其他一些方法的比较 |
| 计算置信限度，以及它的情况 |
| 或多或少准确以及一些限制和事情 |
| 应该知道您是否要应用它。 |
| 我们将讨论未来工作中改进的可能性 |
| 简单地讲一下，然后，我将向您展示 |
| 新的 MSA 设计器、测量系统分析设计器、 |
| 可从 JMP Pro 16 的 DOE 菜单中获取，以便您可以快速 |
| 轻松设计和分析您自己的 MSA Gauge R&R |
| 学习。让我们首先查看这个数据集。 |
| 这是我从示例数据文件中提取的一个。 |
| 我将在此处运行我保存的 Fit Mix 脚本。 所以 |
| 我们这里得到的是我们的随机估计 |
| 对于随机成分。 |
| 现在。 |
| 出于某种原因，您可能想要计算 |
| 中间总计，例如嵌套的操作符和零件 |
| 运算符，或者其中的三个， |
| 你知道，运算符和残差。 |
| 所以计算这些非常简单，我们只需将这些相加 |
| 估计，但确定这些并不那么简单 |
| 置信限度。 |
| 混合模型中有一项新功能已在 16 中添加。 |
| 的线性组合 |
| 方差分量特征的线性组合 |
| 就在这里，所以你可以做的就是点击它。 |
| 您可以选择您感兴趣的方差分量的组合， |
| 然后您可以按完成。 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 |
| 校准萨特思韦特估计，我将这样做 |
| 转到我的加载项并单击 Bootstrap Calibated |
| 那里的置信区间。 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 |
| 一些其他模拟平台中的默认数量以及 |
| 在 JMP Pro 中。 我要选择 |
| 这个。 但需要注意的一点是，这需要一些 |
| 时间能够做到这一点，所以为了时间利益 |
| 我要做的就是尽早停止它。 |
| 在这里我们有我们的 |
| 校准区间、校准置信上限和下限 |
| 限制已添加到报告中。 |
| 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，加载项有一件事 |
| 一旦你运行它， |
| 是它添加了 |
| 将此模拟公式复制到数据表中，这样就可以看到 |
| 模拟公式在这里。 |
| 当加载项关闭时， |
| 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 |
| 仿真公式，然后 |
| 例如，用它来模拟 |
| 这些值在这里。 所以，我们可以用我们的“Y”交换 |
| 新的模拟公式， |
| 继续运行它。 因此，当您运行加载项时，这是 |
| 一切都在后台完成。 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，再次是为了时间。 |
| 现在我们在这里看到样本 |
| 为每个估计。 |
| 模拟。该插件的工作原理是 |
| 它需要所有这些。 |
| 它计算了上限和下限的新估计值 |
| 从此降低萨特思韦特间隔 |
| 估计和这个标准误差，交换不同的 |
| 阿尔法值。 那么我们的目标是 0.05，对吗？ |
| 这样我们就得到了95%的上限和下限，还有什么 |
| 确实发现了 |
| 导致 95% 覆盖率的 alpha 值，即 95% 命中率 |
| 以及 5% 的失误， |
| 交换它，这就是你获得校准间隔的方式。 |
| 所以我希望你喜欢看到这个。 希望对你有帮助。 |
| 我们做了一些模拟研究以及我们的发现 |
| 就是它 |
| 间隔，您可以在此处看到四个运算符的间隔 |
| 12 天作为我们的随机成分， |
| 我们已经实现了大约 |
| 7%，所以命中率为92.8。 现在这比所有的都好 |
| 其他的，包括这个，所以线性组合，就是 |
| 只是标准萨特思韦特间隔 |
| 根据线性分量的组合计算，以及 |
| Bootstrap 分位数，偏差校正区间 |
| 偏差校正和加速间隔，但正如你将看到的 |
| 这些间隔都得到改善， |
| 当您增加操作员数量时 |
| 4 到 8 以及天数 12 到 24。 所以增加 |
| 这些随机成分的水平 |
| 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 |
| 也就是等价的， |
| 只是，为了一个 |
| 阿尔法值为 0.05。 |
| 所以。当然，这种性能的提高来自于 |
| 成本，其中一个成本是间隔的长度。 |
| 所以你可以在这里看到， |
| 与我们的 |
| 事实上，Bootstrap 校准了我们所有的间隔， |
| 当我们的操作员数量不断增加时， |
| 间隔的长度要长得多 |
| 与变小时相比，捆绑更接近 0 |
| 操作员数量。 你可以看到这结果很多 |
| 再进一步，这就是这里的蓝色区域。 对于 |
| 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，使用此方法您将获得更长的长度 |
| 方法，但你有更准确的方法。 |
| 更深入地探索一下，你可以在这里看到 |
| 长度的增加对于四个操作员来说都是正确的，因为 |
| 还有八个干员，意义重大。 |
| 具有统计显着性。 |
| 我看到的另一件事是 |
| 是添加重复的效果，所以区别 |
| 在两次重复和五次重复之间，以及您将看到的内容 |
| 这里确实没有 |
| 不同之处。于是看着对面 |
| 不同的组合集 |
| 四名操作员和两名代表到四名操作员和五名代表，大约 6 |
| 总计测量值与 3 次测量值相比，我们确实不知道 |
| 获得任何东西。 所有这些都是彼此等效的。 |
| 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 |
| 增加数量时没有看到改进 |
| 重复。 |
| 我想提一件事 |
| 改进这些结果的可能性是 |
| 分数随机权重引导程序，我们将拥有 |
| 希望能够及时实施这一点 |
| 这次会议。 我们无法做到这一点，无法接受这个 |
| 并将其应用于随机方差分量，所以我们 |
| 希望在以后的工作中甚至可能能够做到这一点 |
| 看到引导校准间隔的改进。 |
| 然后在我之前我想强调的另一件事 |
| go 是新的 |
| JMP 16 中添加了 MSA 设计器，等等 |
| 从这里我们能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 |
| 计量 R&R 分析。 让我们看看，我将用三个来做这个 |
| 运算符和五个部分。 |
| 我将标记这些 |
| A、B 和 C。 |
| 我们将每个重复一次。 所以这是两个 |
| 测量总计。 |
| 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 |
| 快速将其发送给不同的运营商， |
| 他们填写了他们的部分，然后将其发回给我。 |
| 然后我可以添加 |
| 这些结果加在一起。 |
| 所以我会对此进行排序，因为我这里还有另一张桌子 |
| 我提前做了这件事。 所以我只添加这些 |
| 那里的价值观。 现在从表中的脚本我们 |
| 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精彩演讲。 非常感谢 |
| 非常适合聆听。 |
