成績單 |
| 你好，我叫克里斯‧戈特瓦爾特。 我的共同主持人哈德利 |
| 邁爾斯和我正在展示一個用於獲得改進的插件 |
| 總和或變異數線性組合的信賴區間 |
| 成分。這是我們作為 |
| 我們致力於改進和評估多種方法。 |
| 取得變異數分量總和的信賴區間 |
| 對品質很重要，因為它提供了不確定性 |
| 評估我們的重複性和再現性 |
| 測量系統。 問題是當我們要求 95% |
| 信賴區間，涉及近似值且 |
| 實際區間覆蓋率可能低至 80%。 |
| 在我們先前的研究中，我們發現有兩種方法 |
| 提高覆蓋率、參數引導和 |
| Satterthwaite 間隔，但在小範圍內仍低於 95% |
| 樣品。該插件的早期版本實現了 |
| 參數化引導作為權宜之計和 Elizabeth Claassen |
| 在 Fit Mix 中實作 Satterthwaite 間隔 |
| JMP Pro 16 中原生的平台。 我想在這裡停下來給予 |
| Elizabeth Claassen 對區間估計的貢獻 |
| 方差分量的線性組合變得更容易 |
| JMP Pro 16。 她還大大擴展了混合模型的輸出， |
| 這使得這次演示變得更加容易。 我也希望 |
| 本次演講將為大家帶來啟發 |
| 其他人檢查這些新的保存命令，以便他們可以獲得 |
| 更多來自 JMP Pro 的混合模型功能。 現在我們要 |
| 使用稱為 Bootstrap 的技術將這兩種方法結合起來 |
| Loh 在 1991 年提出的間隔校準 |
| 《中國統計》文章。 引導校準是一個非常 |
| 提高信心覆蓋範圍的一般程序 |
| 幾乎可以應用於任何參數的區間 |
| 統計模型。 我將介紹基本思想 |
| 用最簡單的術語來說，引導間隔校準 |
| 可以，然後將麥克風交給哈德利，他將示範 |
| 插件並討論我們的模擬結果。 為了使這個 |
| 很簡單，我們來具體說一下。 考慮一個非常小的嵌套 |
| 我們想要估計總數的計量 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，其中的零件 |
| 操作員效應和殘餘效應。 該軟體報告了 |
| 基於 Satterthwaite 的間隔總計。 眾所周知 |
| 這是假設「大」的近似值 |
| 存在的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、 |
| 間隔過程產生的間隔實際上包含 |
| 估計數量的真實值往往會更少 |
| 超過95%。 實際的區間覆蓋範圍是 |
| 複雜的功能設計，真正的價值 |
| 函數，以及一長串其他困難的假設 |
| 或無法驗證。 我們能做的就是使用合適的 |
| 模型及其參數來進行參數引導。 什麼時候我們 |
| 這樣做，我們就知道了我們的數量的真實價值 |
| 估計是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 |
| 有興趣。 在這種情況下，我們感興趣的是所有的總和 |
| 變異數分量，因此真實值為 4.515。 |
| 假設我們採用原始資料集，進行估計， |
| 使用來自 Fit Mixed 的保存模擬公式， |
| 並產生了大量新的數據集，並應用了 |
| 我們在這裡對每個模型應用相同的模型擬合過程， |
| 我們收集了所有的置信區間 |
| 報道總數左右。 完成此操作後，假設 |
| 那...估計的覆蓋範圍，估計的數量 |
| 這些間隔其實包含真相的次數， |
| 結果是88%。 |
| 所以我們想要 95% 的間隔，但 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 |
| 這次參數化 Bootstrap 使用 99% 的間隔。 所以我們走 |
| 透過這個過程，我們重做所有的引導間隔並且 |
| 當我們進行 99% 間隔時，我們得到的實際覆蓋範圍是 |
| 大約98%。 現在假設我們一遍又一遍地玩這個遊戲 |
| 再次直到我們找到阿爾法 |
| 實際覆蓋率約為95%。 所以在這個 |
| 案例，假設我們這樣做了，最終發現 97.6% |
| 當我們要求 97.6% 的間隔時，我們實際上得到了 |
| 大約 95% 的覆蓋率。 |
| 然後我們可以使用 Fit 將 1 減去 alpha 設定為 0.976 |
| 模型啟動對話框，設定 alpha 選項並會得到一個 |
| 已經經過 Bootstrap 校準的間隔 |
| 大約覆蓋率95%。 這仍然是一個近似值。 那裡 |
| 仍然是它的一個模擬組件，以及更深層的 |
| 非常難以分析的基本近似值， |
| 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 |
| 之前透過應用 Bootstrap |
| 線性組合上 Satterthwaite 區間的校準 |
| 方差分量。 把它帶走哈德利。 |
| 非常感謝你，克里斯，並向所有在線觀看的人問好 |
| 無論你在哪。 因此，我將首先向您展示該加載項如何 |
| 工作原理以及如何使用它來計算 Bootstrap Calibated |
| 混合模型中隨機成分的置信限 |
| JMP Pro 16。 |
| 從那裡我們將退後一步。 我們將看看插件如何 |
| 進行這些計算，我將重點放在一些補充內容 |
| JMP Pro 16 中的混合模型允許它執行此操作。 |
| 從那裡，我將向您展示一些模擬的結果 |
| 研究讓您了解這個方法的準確性 |
| 區間估計方法是，Bootstrap Calibration |
| 方法，以及它與其他一些方法的比較 |
| 計算置信限度，以及它的情況 |
| 或多或少準確以及一些限制和事情 |
| 應該知道您是否要應用它。 |
| 我們將討論未來工作中改進的可能性 |
| 簡單地講一下，然後，我將向您展示 |
| 新的 MSA 設計器、測量系統分析設計器、 |
| 可從 JMP Pro 16 的 DOE 選單中獲取，以便您可以快速 |
| 輕鬆設計和分析您自己的 MSA Gauge R&R |
| 學習。讓我們先查看這個資料集。 |
| 這是我從範例資料檔案中提取的一個。 |
| 我將在此處運行我保存的 Fit Mix 腳本。 所以 |
| 我們這裡得到的是我們的隨機估計 |
| 對於隨機成分。 |
| 現在。 |
| 出於某種原因，您可能想要計算 |
| 中間總計，例如嵌套的操作符和零件 |
| 運算符，或其中的三個， |
| 你知道，運算符和殘差。 |
| 所以計算這些非常簡單，我們只需將這些相加 |
| 估計，但確定這些並不那麼簡單 |
| 置信限度。 |
| 混合模型中有一項新功能已在 16 中新增。 |
| 的線性組合 |
| 方差分量特徵的線性組合 |
| 就在這裡，所以你可以做的就是點擊它。 |
| 您可以選擇您感興趣的變異數分量的組合， |
| 然後您可以按完成。 現在我們對這些有一個估計。 |
| 組件及其 |
| 置信限度。 所以， |
| 我現在要做的就是踏出這一步 |
| 進一步，我將計算 Bootstrap |
| 校準薩特思韋特估計，我將這樣做 |
| 前往我的加載項並點擊 Bootstrap Calibated |
| 那裡的置信區間。 所以從這裡我們可以估計 |
| 模擬次數。 |
| 2500是一個 |
| 推薦號碼改為預設號碼。 這也是 |
| 一些其他模擬平台中的預設數量以及 |
| 在 JMP Pro 中。 我要選擇 |
| 這個。 但需要注意的一點是，這需要一些 |
| 時間能夠做到這一點，所以為了時間利益 |
| 我要做的就是儘早停止它。 |
| 在這裡我們有我們的 |
| 校準區間、校準信賴上限和下限 |
| 限制已新增至報告。 |
| 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，加載項有一件事 |
| 一旦你運行它， |
| 是它添加了 |
| 將此模擬公式複製到資料表中，這樣就可以看到 |
| 模擬公式在這裡。 |
| 當加載項關閉時， |
| 模擬公式消失。 |
| 那裡的模擬公式利用了另一個 |
| 已新增的功能... |
| 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 |
| 仿真公式，然後 |
| 例如，用它來模擬 |
| 這些值在這裡。 所以，我們可以用我們的“Y”交換 |
| 新的模擬公式， |
| 繼續運行它。 因此，當您運行加載項時，這是 |
| 一切都在後台完成。 但這就是插件的運作方式 |
| 關於計算這些間隔。 所以我要停下來 |
| 這麼早，再次是為了時間。 |
| 現在我們在這裡看到樣本 |
| 為每個估計。 |
| 模擬。該插件的工作原理是 |
| 它需要所有這些。 |
| 它計算了上限和下限的新估計值 |
| 從此降低薩特思韋特間隔 |
| 估計和這個標準誤差，交換不同的 |
| 阿爾法值。 那我們的目標是 0.05，對嗎？ |
| 這樣我們就得到了95%的上限和下限，還有什麼 |
| 確實發現了 |
| 導致 95% 覆蓋率的 alpha 值，即 95% 命中率 |
| 以及 5% 的失誤， |
| 交換它，這就是你獲得校準間隔的方式。 |
| 所以我希望你喜歡看到這個。 希望對你有幫助。 |
| 我們做了一些模擬研究以及我們的發現 |
| 就是它 |
| 間隔，您可以在此處看到四個運算符的間隔 |
| 12 天作為我們的隨機成分， |
| 我們已經實現了大約 |
| 7%，所以命中率為92.8。 現在這比所有的都好 |
| 其他的，包括這個，所以線性組合，就是 |
| 只是標準薩特思韋特間隔 |
| 根據線性分量的組合計算，以及 |
| Bootstrap 分位數，偏差校正區間 |
| 偏差校正和加速間隔，但如你將看到的 |
| 這些間隔都得到改善， |
| 當您增加操作員數量時 |
| 4 到 8 以及天數 12 到 24。 所以增加 |
| 這些隨機成分的水平 |
| 結果更好，更多 |
| 準確估計信賴區間，等等 |
| 我們現在有 |
| 這裡有一個方法 |
| 也就是等價的， |
| 只是，為了一個 |
| 阿爾法值為 0.05。 |
| 所以。當然，這種性能的提升來自於 |
| 成本，其中一個成本是間隔的長度。 |
| 所以你可以在這裡看到， |
| 與我們的 |
| 事實上，Bootstrap 校準了我們所有的間隔， |
| 當我們的操作員數量不斷增加時， |
| 間隔的長度長得多 |
| 與變小時相比，捆綁更接近 0 |
| 操作員數量。 你可以看到這結果很多 |
| 再進一步，這就是這裡的藍色區域。 對於 |
| 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，使用此方法您將獲得更長的長度 |
| 方法，但你有更準確的方法。 |
| 更深入地探索一下，你可以在這裡看到 |
| 長度的增加對於四個操作員來說都是正確的，因為 |
| 還有八個幹員，意義重大。 |
| 具有統計顯著性。 |
| 我看到的另一件事是 |
| 是添加重複的效果，所以區別 |
| 在兩次重複和五次重複之間，以及您將看到的內容 |
| 這裡確實沒有 |
| 不同之處。於是看著對面 |
| 不同的組合集 |
| 四名操作員和兩名代表到四名操作員和五名代表，約 6 |
| 總計測量值與 3 次測量值相比，我們確實不知道 |
| 獲得任何東西。 所有這些都是彼此等效的。 |
| 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 |
| 增加數量時沒有看到改進 |
| 重複。 |
| 我想提一件事 |
| 改進這些結果的可能性是 |
| 分數隨機權重引導程序，我們將擁有 |
| 希望能夠及時實施這一點 |
| 這次會議。 我們無法做到這一點，無法接受這個 |
| 並將其應用於隨機方差分量，所以我們 |
| 希望在以後的工作中甚至可能能夠做到這一點 |
| 看到引導校準間隔的改善。 |
| 然後在我之前我想強調的另一件事 |
| go 是新的 |
| JMP 16 中新增了 MSA 設計器，等等 |
| 從這裡我們能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 |
| 計量 R&R 分析。 讓我們看看，我將用三個來做這個 |
| 運算符和五個部分。 |
| 我將標記這些 |
| A、B 和 C。 |
| 我們將每個重複一次。 所以這是兩個 |
| 測量總計。 |
| 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 |
| 快速將其發送給不同的運營商， |
| 他們填寫了他們的部分，然後將其發送回給我。 |
| 然後我可以添加 |
| 這些結果加在一起。 |
| 所以我會對此進行排序，因為我這裡還有另一張桌子 |
| 我提前做了這件事。 所以我只添加這些 |
| 那裡的價值觀。 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精彩演講。 非常感謝 |
| 非常適合聆聽。 |
