成績証明書 |
| こんにちは、私の名前はクリス・ゴットワルトです。 私の共同プレゼンターのハドリーさん |
| マイヤーズと私は、改善されたものを入手するためのアドインを紹介しています。 |
| 分散の合計または線形結合の信頼区間 |
| コンポーネント。これは、私たちが次のように行ってきた一連の講演の一部です。 |
| 私たちはいくつかのアプローチの改善と評価に取り組んでいます。 |
| 分散成分の合計の信頼区間の取得 |
| 不確実性をもたらすため、品質において重要です |
| 再現性と当社の再現性の評価 |
| 測定システム。 問題は、95% を要求すると、 |
| 信頼区間には近似が含まれており、 |
| 実際の間隔カバー率は 80% にまで低下する可能性があります。 |
| 私たちの以前の研究では、2 つの方法が |
| カバレッジ率の向上、パラメトリックブートストラップ、 |
| サタースウェイト間隔ですが、小規模ではまだ 95% 未満でした |
| サンプル。アドインの以前のバージョンでは、 |
| 一時しのぎとしてのパラメトリックブートストラップとエリザベス・クラッセン |
| 混合フィットにサタースウェイト間隔を実装しました |
| JMP Pro 16 のプラットフォームにネイティブに組み込まれています。 ここで立ち止まってあげたい |
| エリザベス・クラッセンの功績は、間隔推定を行ったことです。 |
| 分散成分の線形結合が非常に簡単になり、 |
| JMPプロ16。 彼女はまた、混合モデルの出力を大幅に拡張しました。 |
| これにより、このプレゼンテーションが非常に簡単になりました。 私も期待してます |
| このプレゼンテーションがインスピレーションとして役立つことを願っています |
| 他の人は、これらの新しい保存コマンドをチェックして、 |
| JMP Pro の混合モデル機能をさらに活用します。 これから、 |
| ブートストラップと呼ばれる手法を使用して 2 つのアプローチを組み合わせる |
| 1991 年に Loh によって導入されたインターバル キャリブレーション |
| 中国統計の記事。 ブートストラップ キャリブレーションは非常に重要です |
| 信頼性の範囲を改善するための一般的な手順 |
| ほぼすべてのパラメトリックに適用できる間隔 |
| 統計モデル。 の基本的な考え方を紹介します |
| ブートストラップ間隔キャリブレーションを最も簡単に説明すると、 |
| ハドリーにマイクを渡し、ハドリーがデモを行う予定です。 |
| アドインを使用して、シミュレーション結果について話し合ってください。 これを作るには |
| 簡単なので具体的にしましょう。 非常に小さなネストされたものを考えてみましょう |
| 合計を推定したいゲージ R&R タイプの研究 |
| 変化。 データを収集し、ネストされた分散を実行します |
| オペレーターエフェクトを備えたコンポーネントモデル、内部のパート |
| オペレーター効果と残差効果。 ソフトウェアは次のことを報告します。 |
| 合計に対するサタースウェイトベースの間隔。 それはよく知られています |
| これは「大きい」ことを想定した近似値です。 |
| 実際にカバーできる量のデータが存在します。 |
| 間隔は 95% に近くなります。 |
| 小さなサンプルでは、実際のカバレッジ、確率は |
| 間隔プロシージャは、実際に次の内容を含む間隔を生成します。 |
| 推定数量の真の値は小さくなる傾向があります |
| 95%以上。 実際のインターバル範囲は |
| デザインの複雑な機能、真の価値 |
| 関数、およびその他の困難な仮定の長いリスト |
| もしくは検証不可能。 ただし、私たちにできることは、取り付けられたものを使用することです |
| モデルとそのパラメータを使用してパラメトリック ブートストラップを実行します。 私たちが |
| そうすれば、私たちは自分自身の量の真の価値を知ることができます |
| その値を使用してシミュレーションを行ったため、推定されます。 |
| シミュレーションは何千回も行うことができます。 を適用します。 |
| すべてのシミュレートされたサンプルに対して同じモデル フィッティング プロセスを実行します。 私たちは |
| JMP から間隔を収集し、その頻度を計算できます。 |
| それらには、あなたが求める量の生成値が含まれています。 |
| に興味がありました。 この場合、すべての合計に興味がありました。 |
| 分散成分なので、真の値は 4.515 です。 |
| 元のデータセットを取得し、推定値を取得したとします。 |
| Fit Mixed から提供される Save Simulation Formula を使用します。 |
| 多数の新しいデータセットを生成し、 |
| ここでそれぞれに適用した同じモデルフィッティングプロセス、 |
| そして、次の信頼区間をすべて集めました。 |
| 合計について報告します。 これを行った後、次のようにします。 |
| それは...推定対象範囲、推定数 |
| これらの間隔には実際に真実が含まれていたこともありますが、 |
| 88％であることが分かりました。 |
| したがって、95% の間隔が必要でしたが、ブートストラップ |
| 手順は、実際の適用範囲が次の値に近いことを示しています。 |
| 88%。 これで、ちょっとしたゲームをプレイして、同じことを繰り返すことができます。 |
| 今回は 99% 間隔を使用したパラメトリック ブートストラップ。 それで行きます |
| そのプロセスを通じて、すべてのブートストラップ間隔をやり直し、 |
| 99% 間隔を実行すると、実際のカバレッジが得られます。 |
| 約98%。 さて、このゲームを何度も繰り返したとします |
| アルファを見つけるまでまた |
| 実際のカバー率は約 95% です。 それで、これで |
| この場合、それを実行した結果、97.6% であることが判明したとします。 |
| 97.6% の間隔を要求したところ、実際には次の結果が得られました。 |
| 95%程度のカバー率です。 |
| 次に、フィットを使用して 1 からアルファを引いた値を 0.976 に設定します。 |
| モデル起動ダイアログ、アルファ オプションを設定すると、 |
| ブートストラップ キャリブレーションされた間隔 |
| おおよそのカバー率は 95%。 これはまだ近似値です。 そこには |
| これは依然としてシミュレーション コンポーネントであり、さらに深いものです。 |
| 基礎となる近似は分析が非常に困難であり、 |
| しかし、それは使いやすくすることができます、そしてここがHadleyの登場です |
| で。 今度は彼にそれを渡して、デモをしてもらいます。 |
| アドインして、彼が行ったシミュレーションを確認してください |
| よりも優れたカバレッジ率を得ることができることを示します。 |
| ブートストラップを適用する前に |
| 線形結合におけるサタースウェイト間隔への校正 |
| 分散成分の。 ハドリーを連れ去ってください。 |
| どうもありがとう、クリス、そしてオンラインでご覧の皆さん、こんにちは。 |
| 君はどこにいても。 それでは、アドインがどのように機能するかを説明することから始めます。 |
| 仕組みと、それを使用してブートストラップ調整を計算する方法 |
| 混合モデルのランダム成分の信頼限界 |
| JMPプロ16。 |
| そしてそこから一歩下がっていきます。 アドインがどのように機能するかを見てみましょう |
| これらの計算を行ったので、いくつかの追加点を強調します。 |
| それを可能にする JMP Pro 16 の混合モデル。 |
| ここからはシミュレーションの結果をお見せします |
| これがどの程度正確であるかを知るための研究 |
| 間隔推定方法はブートストラップ キャリブレーションです |
| この方法と他のいくつかの方法との比較 |
| 信頼限界とその限界の計算 |
| 多かれ少なかれ正確であり、制限やあなたが知っていることのいくつかは、 |
| 適用する場合は注意する必要があります。 |
| 今後の作業における改善の可能性について話し合います |
| 簡単に説明して、そこから最後に、 |
| 新しいMSAデザイナー、測定システム分析デザイナー、 |
| JMP Pro 16 の DOE メニューから利用できるため、 |
| 独自の MSA ゲージ R&R を簡単に設計および分析できます |
| 勉強します。それでは、このデータセットを見てみましょう。 |
| これはサンプル データ ファイルから抽出したものです。 |
| ここで保存した Fit Mix スクリプトを実行します。 それで |
| ここで得られたものは、ランダムな推定値です。 |
| ランダムなコンポーネントの場合。 |
| 今。 |
| 何らかの理由で、 |
| 中間合計。たとえば、オペレータとパートがネストされています。 |
| オペレーター、またはこの 3 人、 |
| ご存知のとおり、オペレーターと残余です。 |
| したがって、これらを計算するのは非常に簡単で、単にこれらを追加するだけです |
| しかし、それほど単純ではないのは、それらを決定することです |
| 信頼限界。 |
| 混合モデルには 16 で追加された新機能があります。 |
| 次の線形結合 |
| 分散成分の線形結合機能 |
| ここにあるので、できることはそれをクリックすることだけです。 |
| 関心のある分散成分の組み合わせを選択できます。 |
| そして完了を押すことができます。 それで、今、それらの見積もりができています。 |
| コンポーネントとその |
| 信頼限界。 それで、 |
| 私がこれからやることは、この一歩を踏み出すことです |
| さらにブートストラップを計算します |
| サタースウェイトの推定値を調整しました。次の時間までにそれを実行します。 |
| アドインに移動し、「Bootstrap Calibrated」をクリックします |
| そこに信頼区間があります。 ここから推定できるのは、 |
| シミュレーションの数。 |
| 2500は |
| 推奨される数値をデフォルトの数値に変更します。 それはまた、 |
| 他の一部のシミュレーション プラットフォームではデフォルトの番号が使用されます。 |
| JMPプロで。 選ぶつもりです |
| これです。 ただし、注意すべき点が 1 つあります。 |
| これを行うには時間があるので、時間の都合上 |
| 私がやろうとしているのは、それを早めにやめるということです。 |
| そしてここに私たちのものがあります |
| 校正された間隔、校正された上限および下限信頼度 |
| レポートに制限が追加されました。 |
| それでは、一歩下がって、そこで何が起こったのか見てみましょう。 |
| これをもう一度追加してみます。 |
| さて、アドインで重要な点が 1 つあります |
| 実行するとすぐに、 |
| 追加ですか |
| このシミュレーション式をデータ テーブルに変換すると、 |
| シミュレーション式はこちら |
| アドインを閉じると、 |
| シミュレーション式が消えます。 |
| そこでのシミュレーション式は別の手法を利用しています。 |
| に追加された機能... |
| JMP Pro の混合モデル プラットフォームへの保存です。 |
| シミュレーション式機能 |
| ここ。これにより何ができるかというと、 |
| シミュレーション式を経て、 |
| たとえば、それを使用してシミュレーションします |
| これらの値はここにあります。 したがって、「Y」を次の文字に置き換えることができます。 |
| 新しいシミュレーション式、 |
| さあ、それを実行してください。 アドインを実行すると、次のようになります。 |
| すべてバックグラウンドで行われます。 しかし、これがアドインの仕組みです |
| これらの間隔の計算について。 だからやめます |
| 時間の関係で、またしても早めに。 |
| そして今ここにサンプルがあります |
| それぞれ推定します。 |
| シミュレーション。アドインの仕組みは次のとおりです |
| これらすべてが必要です。 |
| そして、上限と下限の新しい推定値を計算します。 |
| これよりサタースウェイト間隔を下げる |
| 推定値とこの標準誤差を別のものに置き換えます |
| アルファの値。 では、私たちが目指しているのは 0.05 ですよね? |
| つまり、95% の上限と下限が得られます。 |
| それは見つかりますか |
| 95% のカバレッジ、つまり 95% のヒットとなるアルファ値 |
| そして5%はミス、 |
| それを入れ替えると、調整された間隔が得られます。 |
| 楽しんで見ていただければ幸いです。 ぜひお役立てください。 |
| いくつかのシミュレーション研究を行った結果、判明したこと |
| それは？ |
| 間隔。ここでは 4 つの演算子について確認できます。 |
| ランダムなコンポーネントとして 12 日、 |
| 私たちは約のミスを達成しました |
| 7% なので、ヒット率は 92.8 になります。 これは他のすべてのものよりも優れています |
| これを含む他のもの、つまり線形結合、つまり |
| 単に標準的なサタースウェイト間隔 |
| 線形成分の組み合わせに基づいて計算されます。 |
| ブートストラップ分位数、バイアス補正された間隔 |
| バイアスが修正され加速された間隔ですが、ご覧のとおり |
| これらの間隔はすべて改善され、 |
| オペレーターの数を増やすにつれて、 |
| 4から8までと12から24までの日数。 したがって、 |
| これらのランダムな成分のレベル |
| その結果、はるかに優れた、さらに多くの成果が得られます |
| 信頼限界の正確な推定など、 |
| 私たちが今持っているもの |
| ここの方法 |
| それは等価です、 |
| ただ、に |
| アルファ値は.05。 |
| それで。もちろん、このパフォーマンスの向上により、 |
| コストの 1 つは間隔の長さです。 |
| ここでご覧のとおり、 |
| それは私たちとの |
| ブートストラップは実際にすべての間隔で調整され、 |
| オペレーターの数が増えると、 |
| 間隔の長さがずっと長いこと |
| 小さいときよりも 0 に近くバンドルされます |
| オペレーターの数。 これはかなり尾を引いていることがわかります |
| さらに、それがこの青いエリアです。 それは真実です |
| それらすべてに当てはまりますが、特に |
| ブートストラップの調整された間隔。 これを見ればわかります |
| ここの長い尾。 |
| 平均して、これを使用すると長さが長くなります |
| 方法がありますが、より正確な方法があります。 |
| それをもう少し詳しく調べてみると、ここで見ることができます |
| この長さの増加は 4 人のオペレーターにも当てはまります。 |
| 8 人のオペレーターも含まれており、これは重要です。 |
| 統計学的に重要な。 |
| もう一つ私が注目したのは、 |
| は繰り返しを追加する効果なので、違いは |
| 2 回の繰り返しと 5 回の繰り返しの間で何が見えるか |
| ここには本当に何もありません |
| 違い。それで見渡すと |
| からのさまざまな組み合わせセット |
| オペレーター 4 名と担当者 2 名からオペレーター 4 名と担当者 5 名まで、約 6 |
| 測定値の合計と 3 つの測定値、実際には違います |
| 何かを得る。 これらはすべて互いに同等です。 |
| つまり、改善が見られるということは注意すべきことです。 |
| オペレーターの数を増やすときの精度と、 |
| 数を増やしても改善が見られない |
| 繰り返し。 |
| ひとつ言及しておきたいのは、 |
| これらの結果を改善できる可能性は、 |
| 分数ランダム重みブートストラップ。 |
| これを間に合うように実装できてよかった |
| このカンファレンス。 私たちにはそれができなかった、これを手に入れることができなかった |
| そしてそれをランダム分散成分に適用するため、 |
| 将来の仕事でそれができることを願っています、そしておそらく |
| Bootstrap Calibrated 間隔の改善を参照してください。 |
| そして、その前に強調したいもう一つのことは、 |
| 行くのは新しいです |
| JMP 16 に追加された MSA デザイナーなど |
| ここから私たちにできることは、すぐにできることです |
| できるようにするために独自のデザインを作成します |
| 独自の MSA を実行するか、 |
| ゲージ R&R 分析。 それでほら、これを 3 つでやってみましょう |
| 演算子と 5 つの部分。 |
| これらにラベルを付けます |
| A、B、C。 |
| そして、それぞれを 1 回繰り返します。 それで2つです |
| 測定値の合計。 |
| ここにテーブルがあります |
| デザイン。私にできることは、このボタンを押して非常に |
| それをすぐに別のオペレーターに送信して、 |
| 彼らは自分のパートを記入し、それを私に送り返します。 |
| そして、追加できます |
| それらの結果を一緒に。 |
| ここに別のテーブルがあるので、これを並べ替えます |
| 事前にこれを行ったところ。 それで、これらを追加します |
| そこの価値観。 そしてテーブル内のスクリプトから、 |
| 独自の測定システム分析を迅速かつ簡単に実行できます |
| そしてゲージR&R。 これがお役に立てば幸いです。 私はあなたを願っています |
| 引き続きこのカンファレンスでの講演をお楽しみください。 ありがとうございました |
| とても聞きやすいです。 |
