성적 증명서 |
| 안녕하세요, 제 이름은 크리스 갓월트입니다. 내 공동 발표자 해들리 |
| Myers와 저는 개선된 |
| 분산의 합 또는 선형 조합에 대한 신뢰 구간 |
| 구성 요소. 이것은 우리가 |
| 우리는 여러 접근 방식을 개선하고 평가하기 위해 노력합니다. |
| 분산 성분의 합에 대한 신뢰 구간 얻기 |
| 불확실성을 제공하기 때문에 품질이 중요합니다. |
| 반복성과 재현성에 대한 평가 |
| 측정 시스템. 문제는 95%를 요구할 때 |
| 신뢰 구간, 관련된 근사치가 있으며 |
| 실제 간격 적용 범위는 80%만큼 낮을 수 있습니다. |
| 이전 연구에서 우리는 두 가지 방법이 |
| 향상된 커버리지 비율, 파라메트릭 부트스트래핑 및 |
| Satterthwaite 구간이지만 여전히 작은 규모에서는 95% 미만이었습니다. |
| 샘플. 추가 기능의 이전 버전이 구현되었습니다. |
| 임시방편으로서의 파라메트릭 부트스트랩과 Elizabeth Claassen |
| Fit Mixed에서 Satterthwaite 구간을 구현했습니다. |
| 플랫폼은 기본적으로 JMP Pro 16에서 제공됩니다. 여기에서 멈추고 싶습니다. |
| 의 간격 추정을 위한 Elizabeth Claassen 크레딧 |
| 분산 구성 요소의 선형 조합이 훨씬 쉽고 |
| JMP 프로 16. 그녀는 또한 혼합 모델 출력을 크게 확장했으며, |
| 이 프레젠테이션을 훨씬 쉽게 만들었습니다. 나도 희망한다 |
| 이 프레젠테이션이 |
| 다른 사람들은 이 새로운 저장 명령을 확인하여 |
| JMP Pro의 혼합 모델 기능에서 더 많은 것을 얻을 수 있습니다. 이제 우리는 |
| Bootstrap이라는 기술을 사용하여 두 가지 접근 방식을 결합합니다. |
| 1991년 Loh가 도입한 Interval Calibration |
| Statistica Sinica 기사. 부트스트랩 보정은 매우 |
| 신뢰 범위를 개선하기 위한 일반적인 절차 |
| 거의 모든 매개변수에 적용할 수 있는 간격 |
| 통계 모델. 의 기본 아이디어를 소개하겠습니다. |
| 가장 간단한 용어로 부트스트랩 간격 보정 |
| 할 수 있고, 마이크를 Hadley에게 넘겨주고, Hadley는 데모를 할 예정입니다. |
| 추가 기능을 사용하고 시뮬레이션 결과에 대해 논의합니다. 이것을 만들기 위해 |
| 간단합니다. 구체적으로 합시다. 매우 작은 중첩을 고려하십시오. |
| 총계를 추정하고자 하는 게이지 R&R형 연구 |
| 변화. 데이터를 수집하고 내포 분산을 실행합니다. |
| 연산자 효과가 있는 구성 요소 모델, 내부 부품 |
| 연산자 효과와 잔차 효과. 소프트웨어 보고 |
| 합계에 대한 Satterthwaite 기반 간격입니다. 잘 알려져 있다. |
| 이것은 "큰"을 가정한 근사치입니다. |
| 의 실제 적용을 위해 존재하는 데이터의 양 |
| 간격은 95%에 가깝습니다. |
| 작은 표본에서 실제 적용 범위, |
| 간격 프로시저는 실제로 다음을 포함하는 간격을 생성합니다. |
| 예상 수량의 실제 값은 더 적은 경향이 있습니다. |
| 95% 이상. 문제는 실제 간격 적용 범위는 |
| 설계의 복잡한 기능, 실제 값 |
| 기능 및 어려운 기타 가정의 긴 목록 |
| 또는 확인이 불가능합니다. 우리가 할 수있는 것은 장착되어 사용됩니다. |
| 모델 및 해당 매개변수를 사용하여 매개변수 부트스트랩을 수행합니다. 언제 우리가 |
| 이렇게 하면, 우리는 우리가 존재하는 양의 진정한 가치를 압니다. |
| 그 값을 사용하여 시뮬레이션했기 때문에 추정합니다. |
| 시뮬레이션을 수천 번 할 수 있습니다. 우리는 적용 |
| 모든 시뮬레이션된 샘플에 동일한 모델 피팅 프로세스. 우리 |
| JMP에서 구간을 수집하고 얼마나 자주 |
| 그들은 당신이 |
| 관심이 있었다. 이 경우 우리는 모든 |
| 분산 성분이므로 실제 값은 4.515입니다. |
| 원래 데이터 세트를 가져오고 추정치를 취했다고 가정해 보겠습니다. |
| Fit Mixed에서 제공하는 Save Simulation Formula를 사용하고, |
| 많은 수의 새로운 데이터 세트를 생성하고 적용했습니다. |
| 여기에서 적용한 동일한 모델 피팅 프로세스, |
| 우리는 모든 신뢰 구간을 수집했습니다. |
| 전체를 중심으로 보고된다. 이 작업을 수행한 후 가정 |
| 그...예상 적용 범위, 예상 수 |
| 이 간격이 실제로 진실을 포함하는 시간, |
| 88%로 나타났다. |
| 그래서 우리는 95% 간격을 원했지만 부트스트랩은 |
| 절차는 실제 적용 범위가 |
| 88%. 이제 우리는 약간의 게임을 할 수 있고 반복할 수 있습니다. |
| 이번에는 99% 간격을 사용하는 파라메트릭 부트스트랩. 그래서 우리는 간다 |
| 그 과정을 통해 우리는 모든 부트스트랩 간격을 다시 실행하고 |
| 99% 구간을 수행했을 때 실제 적용 범위를 얻었습니다. |
| 약 98%. 이제 우리가 이 게임을 계속해서 했다고 가정해 봅시다. |
| 우리가 알파를 찾을 때까지 다시 |
| 실제 적용 범위는 약 95%입니다. 그래서 이것에 |
| 우리가 그렇게 했고 결국 97.6%가 |
| 97.6% 간격을 요청했을 때 실제로 |
| 95% 적용 범위와 같은 것입니다. |
| 그런 다음 Fit을 사용하여 1 빼기 알파를 0.976으로 설정합니다. |
| 모델 시작 대화 상자, 알파 옵션 설정 및 |
| 다음을 갖도록 부트스트랩 보정된 간격 |
| 대략적인 적용 범위 95%. 이것은 여전히 근사치입니다. 거기 |
| 그것은 여전히 시뮬레이션 구성 요소이며 더 깊은 |
| 분석하기 매우 어려운 기본 근사치, |
| 하지만 사용하기 쉽게 만들 수 있으며 이것이 바로 Hadley가 제공하는 |
| 안에. 이제 나는 그것을 그에게 넘겨줄 것이고 그는 데모를 할 것입니다. |
| 추가 기능을 추가하고 그가 한 시뮬레이션을 살펴보십시오. |
| 보다 나은 보장율을 얻을 수 있음을 보여줍니다. |
| 부트스트랩을 적용하기 전에 |
| 선형 조합에서 Satterthwaite 간격으로 보정 |
| 분산 구성 요소의. 가져가 해들리. |
| Chris님, 정말 감사합니다. 온라인으로 시청하는 모든 분들에게 안녕하세요. |
| 네가 어디에 있든. 추가 기능이 |
| 작동 및 부트스트랩 보정을 계산하는 데 사용하는 방법 |
| 혼합 모형의 랜덤 성분에 대한 신뢰 한계 |
| JMP 프로 16. |
| 그리고 거기에서 우리는 한 걸음 뒤로 물러날 것입니다. 추가 기능이 어떻게 |
| 이러한 계산을 수행하고 몇 가지 추가 사항을 강조 표시하겠습니다. |
| 이를 가능하게 하는 JMP Pro 16의 혼합 모델. |
| 거기에서 몇 가지 시뮬레이션 결과를 보여 드리겠습니다. |
| 이것이 얼마나 정확한지에 대한 아이디어를 제공하기 위한 연구 |
| 간격 추정 방법은 Bootstrap Calibration |
| 방법 및 다른 방법과 비교하는 방법 |
| 신뢰 한계를 계산하는 것은 물론이고 |
| 어느 정도 정확하고 일부 제한 사항 및 |
| 적용할 것인지 여부를 알아야 합니다. |
| 향후 작업에서 개선 가능성에 대해 논의할 것입니다. |
| 간단하게 설명하겠습니다. 이제부터 |
| 새로운 MSA 디자이너, 측정 시스템 분석 디자이너, |
| JMP Pro 16의 DOE 메뉴에서 사용할 수 있으므로 |
| 자신의 MSA 게이지 R&R을 쉽게 설계하고 분석할 수 있습니다. |
| 연구. 이 데이터 세트를 살펴보는 것으로 시작하겠습니다. |
| 이것은 샘플 데이터 파일에서 가져온 것입니다. |
| 저장한 Fit Mix 스크립트를 여기에서 실행하겠습니다. 그래서 |
| 여기에 있는 것은 무작위 추정치, 추정치입니다. |
| 임의의 구성 요소에 대해. |
| 지금. |
| 어떤 이유로 든 계산하고 싶을 수 있습니다. |
| 중간 합계(예: 연산자 및 부품 중첩) |
| 연산자 또는 이 세 가지, |
| 알다시피, 연산자와 잔차. |
| 그래서 그것들을 계산하는 것은 매우 간단합니다. 우리는 단순히 이것들을 더합니다 |
| 추정하지만 그렇게 간단하지 않은 것은 |
| 신뢰 한계. |
| 16에 추가된 혼합 모델에 새로운 기능이 있습니다. |
| 의 선형 조합 |
| 분산 성분의 선형 조합 기능 |
| 바로 여기, 그래서 당신이 할 수 있는 것은 그것을 클릭하는 것입니다. |
| 관심있는 분산 구성 요소의 조합을 선택할 수 있습니다. |
| 완료를 누를 수 있습니다. 이제 우리는 그것들에 대한 추정치를 가지고 있습니다. |
| 구성 요소 및 해당 |
| 신뢰 한계. 그래서, |
| 내가 지금 할 일은 이 한 걸음을 내딛는 것입니다. |
| 더 나아가 부트스트랩을 계산할 것입니다. |
| 보정된 Satterthwaite 추정치를 다음과 같이 할 것입니다. |
| 내 추가 기능으로 이동하여 Bootstrap Calibrated를 클릭합니다. |
| 거기에 신뢰구간. 그래서 여기에서 우리는 추정할 수 있습니다 |
| 시뮬레이션의 수. |
| 2500은 |
| 권장 번호를 기본 번호로 변경합니다. 그것은 또한 |
| 일부 다른 시뮬레이션 플랫폼의 기본 번호 및 |
| JMP 프로에서. 선택하겠습니다 |
| 이 하나. 하지만 한 가지 주의할 점은 |
| 이것을 할 수 있는 시간, 그리고 시간의 이익을 위해 |
| 내가 하려고 하는 것은 그것을 일찍 중지할 것입니다. |
| 그리고 여기 우리는 우리의 |
| 보정된 간격, 보정된 상위 및 하위 신뢰 |
| 보고서에 추가된 제한. |
| 그럼 한발 물러나서 그곳에서 무슨 일이 일어났는지 봅시다. |
| 나는 이것을 계속해서 다시 추가할 것이다. |
| 이제 추가 기능에서 |
| 실행하자마자 |
| 그것은 추가입니까 |
| 이 시뮬레이션 공식을 데이터 테이블에 추가하여 |
| 여기에 시뮬레이션 공식이 있습니다. |
| 추가 기능이 닫히면 |
| 시뮬레이션 공식이 사라집니다. |
| 시뮬레이션 공식은 다른 |
| 에 추가된 기능... |
| JMP Pro의 혼합 모델 플랫폼에 저장하고 |
| 시뮬레이션 공식 기능 |
| 여기. 그래서 이것이 당신이 할 수 있는 것은 |
| 시뮬레이션 공식 다음으로 |
| 예를 들어 이를 사용하여 시뮬레이션 |
| 여기에 이러한 값이 있습니다. 따라서 "Y"를 |
| 새로운 시뮬레이션 공식, |
| 그리고 그것을 실행하십시오. 따라서 추가 기능을 실행하면 다음과 같습니다. |
| 모두 백그라운드에서 수행됩니다. 그러나 이것이 추가 기능이 진행되는 방식입니다. |
| 이 간격 계산에 대해. 그래서 나는 멈출 것이다. |
| 이 일찍, 다시 한 번 시간의 이익을 위해. |
| 이제 여기에서 샘플을 봅니다. |
| 각각 추정. |
| 시뮬레이션. 추가 기능이 작동하는 방식은 |
| 이 모든 것이 필요합니다. |
| 그리고 상한값에 대한 새로운 추정치를 계산합니다. |
| 이것에서 더 낮은 Satterthwait 간격 |
| 추정치와 이 표준 오차, 서로 다른 |
| 알파 값. 그래서 우리가 0.05를 목표로 하는 것은 무엇입니까? |
| 우리가 95% 상한과 하한을 얻도록 |
| 그것은 그것을 찾는 것입니다 |
| 95% 적용 범위, 즉 95% 적중을 초래하는 알파 값 |
| 그리고 5%는 놓치고, |
| 교체하면 보정된 간격을 얻을 수 있습니다. |
| 그럼 재미있게 보셨기를 바랍니다. 유용하게 사용하시기 바랍니다. |
| 우리는 몇 가지 시뮬레이션 연구를 했고 우리가 알아낸 것은 |
| 그게 |
| 여기에서 4명의 연산자에 대해 볼 수 있는 간격 |
| 무작위 구성 요소로 12일, |
| 우리는 약의 미스를 달성했습니다 |
| 7%이므로 적중률은 92.8입니다. 이제 이것은 모든 것보다 낫습니다. |
| 이를 포함하는 다른 것들은 다음과 같은 선형 조합입니다. |
| 단순히 표준 Satterthwaite 간격 |
| 선형 구성 요소의 조합에 대해 계산할 뿐만 아니라 |
| 부트스트랩 분위수, |
| 편향 수정 및 가속 간격이 있지만 |
| 이 간격은 모두 개선되고, |
| 대원 수를 늘리면 |
| 4에서 8까지, 일 수는 12에서 24까지입니다. 그래서 증가 |
| 이러한 임의 구성 요소의 수준 |
| 훨씬 더 나은 결과를 가져옵니다. |
| 신뢰 한계에 대한 정확한 추정치 등 |
| 우리가 지금 가지고 있는 |
| 여기의 방법 |
| 즉, |
| 그냥, ~에게 |
| .05의 알파 값. |
| 그래서. 물론 이러한 성능 향상은 |
| 비용이며 이러한 비용 중 하나는 간격의 길이입니다. |
| 여기에서 볼 수 있는 |
| 우리와 함께 |
| 실제로 모든 간격과 잘 맞는 부트스트랩 보정, |
| 연산자 수가 증가하면 |
| 간격의 길이가 훨씬 더 길다는 것을 |
| 더 작을 때보다 0에 더 가깝게 묶음 |
| 연산자 수. 이 많이 나오는 것을 볼 수 있습니다. |
| 여기가 파란색 영역입니다. 그건 사실이야 |
| 모두 그렇지만 특히 |
| 부트스트랩 보정 간격. 당신은 이것을 볼 수 있습니다 |
| 여기 긴 꼬리. |
| 평균적으로 이것을 사용하면 더 긴 길이를 얻을 수 있습니다. |
| 방법이지만 더 정확한 방법이 있습니다. |
| 그것을 조금 더 깊이 탐구하면, 당신은 여기에서 볼 수 있습니다 |
| 이 길이 증가는 다음과 같이 4명의 연산자에 대해 사실입니다. |
| 8명의 오퍼레이터가 있으며, 이는 중요합니다. |
| 통계적으로 유의미한. |
| 제가 본 또 다른 점은, |
| 는 반복을 추가하는 효과이므로 차이는 |
| 2회 반복과 5회 반복 사이, 그리고 당신이 보게 될 것 |
| 여기 정말 없다입니다 |
| 차이점. 그래서 가로질러 |
| 다양한 조합 세트 |
| 4명의 오퍼레이터와 2개의 담당자에서 4명의 오퍼레이터와 5명의 담당자, 약 6 |
| 총 측정 대 3 측정, 우리는 실제로 그렇지 않습니다. |
| 무엇이든 얻습니다. 이들 모두는 서로 동등합니다. |
| 따라서 |
| 연산자 수를 늘릴 때 정확도, 그리고 |
| 수를 늘릴 때 개선 사항이 표시되지 않음 |
| 반복. |
| 한 가지 언급하고 싶은 것은 |
| 이러한 결과를 개선할 가능성은 |
| Fractional Random Weight Bootstrap, |
| 이를 위해 제 시간에 구현할 수 있어 좋았습니다. |
| 이번 회의. 우리는 이것을 할 수 없었습니다. |
| 그리고 그것을 랜덤 분산 성분에 적용하기 위해, 그래서 우리는 |
| 미래의 일과 아마도 심지어 그렇게 할 수 있기를 바랍니다. |
| Bootstrap Calibrated 간격에 대한 개선 사항을 참조하십시오. |
| 그리고 그 전에 강조하고 싶은 또 다른 것은 |
| 이동은 새로운 것입니다 |
| JMP 16에 추가된 MSA 디자이너 등 |
| 여기에서 우리가 할 수 있는 것은 매우 빠르게 |
| 할 수 있도록 우리 자신의 디자인을 만듭니다. |
| 자체 MSA를 수행하거나 |
| 게이지 R&R 분석. 자, 봅시다. 3개로 할게요. |
| 연산자 및 다섯 부분. |
| 나는 이것들에 라벨을 붙일 것이다 |
| A, B 및 C. |
| 그리고 우리는 각각의 반복을 할 것입니다. 그래서 두 |
| 측정 총계. |
| 그래서 여기에 우리의 테이블이 있습니다. |
| 설계. 내가 할 수 있는 것은 이 버튼을 |
| 다른 운영자에게 신속하게 보내고, |
| 그들은 자신의 부분을 채우고 나에게 다시 보내십시오. |
| 그런 다음 추가할 수 있습니다. |
| 그 결과를 함께. |
| 여기에 다른 테이블이 있기 때문에 이것을 정렬하겠습니다. |
| 내가 이것을 미리 한 곳. 그래서 나는 이것들을 추가할 것이다. |
| 거기에 가치를. 이제 테이블 내의 스크립트에서 |
| 빠르고 쉽게 자체 측정 시스템 분석을 수행할 수 있습니다. |
| 및 게이지 R&R. 유용한 정보이기를 바랍니다. 나는 당신을 바랍니다 |
| 이 회의에서 대화를 계속 즐기십시오. 감사합니다 |
| 듣기에 많이. |
