Abschrift |
| Hallo, mein Name ist Chris Gotwalt. Mein Co-Moderator Hadley |
| Myers und ich stellen ein Add-In vor, um es verbessert zu erhalten |
| Konfidenzintervalle auf Summen oder Linearkombinationen der Varianz |
| Komponenten. Dies ist Teil einer Reihe von Vorträgen, die wir als gehalten haben |
| Wir arbeiten an der Verbesserung und Bewertung mehrerer Ansätze. |
| Erhalten von Konfidenzintervallen für Summen von Varianzkomponenten |
| ist in der Qualität wichtig, weil es eine Unsicherheit liefert |
| Beurteilung der Wiederholbarkeit sowie der Reproduzierbarkeit unserer |
| Mess-System. Das Problem ist, dass, wenn wir nach 95 % fragen, |
| Konfidenzintervall, es sind Näherungen beteiligt und die |
| Die tatsächliche Intervallabdeckung kann bis zu 80 % betragen. |
| In unseren früheren Studien haben wir festgestellt, dass zwei Methoden haben |
| verbesserte Abdeckungsraten, parametrisches Bootstrapping und |
| Satterthwaite-Intervalle, aber es war immer noch weniger als 95% in kleinen |
| Proben. Die frühere Version des Add-Ins implementierte die |
| parametrischer Bootstrap als Notbehelf und Elizabeth Claassen |
| die Satterthwaite-Intervalle im Fit Mixed implementiert |
| Plattform nativ in JMP Pro 16. Ich möchte hier aufhören zu geben |
| Elizabeth Claassens Verdienst für die Intervallschätzung von |
| lineare Kombinationen von Varianzkomponenten so viel einfacher und |
| JMP Pro 16. Sie hat auch die Mixed-Model-Ausgabe stark erweitert, |
| was diese Präsentation erheblich vereinfacht hat. Ich hoffe auch |
| dass diese Präsentation als Inspiration dienen soll |
| andere, diese neuen Speicherbefehle auszuprobieren, damit sie sie erhalten |
| mehr von den gemischten Modellfunktionen von JMP Pro. Jetzt werden wir |
| Kombinieren Sie die beiden Ansätze mit einer Technik namens Bootstrap |
| Intervallkalibrierung, die 1991 von Loh eingeführt wurde |
| Artikel von Statistica Sinica. Die Bootstrap-Kalibrierung ist eine sehr |
| allgemeines Verfahren zur Verbesserung der Vertrauensabdeckung |
| Intervalle, die auf fast alle Parameter angewendet werden können |
| Statistisches Modell. Ich werde die Grundidee von vorstellen |
| Bootstrap-Intervallkalibrierung in den einfachsten Worten, die ich |
| kann, und übergeben Sie das Mikrofon an Hadley, der es demonstrieren wird |
| add-in und diskutieren Sie unsere Simulationsergebnisse. Um dies zu machen |
| einfach, machen wir es konkret. Betrachten Sie eine sehr kleine Verschachtelung |
| Gauge R&R-artige Studie, bei der wir die Gesamtzahl schätzen wollen |
| Variation. Wir sammeln die Daten und führen eine verschachtelte Varianz durch |
| Komponentenmodell mit einem Operator-Effekt, einem Teil darin |
| Operatoreffekt und ein Resteffekt. Die Software meldet a |
| Satterthwaite-basiertes Intervall für die Gesamtzahl. Das ist bekannt |
| dies ist eine Annäherung, die von einem „großen“ |
| Menge an Daten vorhanden ist, um die tatsächliche Abdeckung von |
| das Intervall sollte nahe bei 95 % liegen. |
| Bei kleinen Stichproben ist die tatsächliche Abdeckung die Wahrscheinlichkeit, dass die |
| Intervallverfahren erzeugt Intervalle, die tatsächlich enthalten sind |
| der wahre Wert der geschätzten Menge wird tendenziell geringer sein |
| als 95%. Sache ist die eigentliche Intervallabdeckung ist a |
| komplizierte Funktion des Designs, wahre Werte von |
| die Funktionen und eine lange Liste anderer Annahmen, die schwierig sind |
| oder unmöglich zu überprüfen. Was wir jedoch tun können, ist die Passform zu verwenden |
| Modell und ihre Parameter, um einen parametrischen Bootstrap durchzuführen. Wenn wir |
| Wenn wir dies tun, kennen wir den wahren Wert der Menge, die wir sind |
| Schätzung, weil wir mit diesem Wert simuliert haben. |
| Wir können die Simulation tausende Male durchführen. Wir wenden die an |
| gleichen Modellanpassungsprozess für alle simulierten Proben. Wir |
| können die Intervalle von JMP sammeln und berechnen, wie oft |
| Sie enthalten den Wert der Menge, die Sie generieren |
| wir interessieren uns für. Uns interessierte in diesem Fall die Summe von allem |
| die Varianzkomponenten, also ist der wahre Wert 4,515. |
| Angenommen, wir nehmen unseren ursprünglichen Datensatz, nehmen die Schätzungen, |
| Verwenden Sie die Save Simulation Formula, die von Fit Mixed stammt, |
| und generierte eine große Anzahl neuer Datensätze und wendete die an |
| denselben Modellanpassungsprozess, den wir hier auf jeden von ihnen angewendet haben, |
| und wir haben alle Konfidenzintervalle gesammelt, die es gab |
| rund um die Summe gemeldet. Nachdem Sie dies getan haben, nehmen Sie an |
| dass das ... die geschätzte Abdeckung, die geschätzte Anzahl |
| von Zeiten, in denen diese Intervalle tatsächlich die Wahrheit enthielten, |
| waren 88 %. |
| Also wollten wir dieses 95%-Intervall, aber den Bootstrap |
| Verfahren sagt uns, dass die tatsächliche Abdeckung näher an ist |
| 88%. Jetzt können wir ein kleines Spiel spielen und wir können das wiederholen |
| Parametrischer Bootstrap mit einem Intervall von 99 % diesmal. Also gehen wir |
| Durch diesen Prozess wiederholen wir alle Bootstrap-Intervalle und |
| Als wir das 99%-Intervall durchgeführt haben, erhalten wir eine tatsächliche Abdeckung von |
| ungefähr 98%. Angenommen, wir haben dieses Spiel immer und immer wieder gespielt |
| wieder, bis wir einen Alpha fanden |
| mit einer tatsächlichen Abdeckung von ca. 95 %. Also hierin |
| Angenommen, wir haben das getan und am Ende festgestellt, dass 97,6 % |
| Als wir nach einem Intervall von 97,6 % fragten, bekamen wir es tatsächlich |
| etwas wie eine 95% Abdeckung. |
| Dann können wir mit Fit 1 minus Alpha auf 0,976 setzen |
| Modellstartdialog, Alpha-Option festlegen und erhalten eine |
| Intervall, für das Bootstrap kalibriert wurde |
| ungefähre Abdeckung 95%. Das ist noch eine Annäherung. Dort |
| Hinzu kommt noch eine Simulationskomponente sowie eine tiefergehende |
| zugrunde liegende Annäherung, die außerordentlich schwer zu analysieren ist, |
| aber es kann benutzerfreundlich gemacht werden, und hier kommt Hadley ins Spiel |
| in. Jetzt werde ich es ihm übergeben und er wird es demonstrieren |
| Add-In und gehen Sie die Simulationen durch, dass er das getan hat |
| zeigen, dass wir in der Lage sind, bessere Deckungsraten zu erzielen als |
| vorher durch Anwenden von Bootstrap |
| Kalibrierung auf Satterthwaite-Intervalle auf Linearkombinationen |
| von Varianzkomponenten. Nimm es Hadley weg. |
| Vielen Dank, Chris, und hallo an alle, die online zuschauen |
| wo auch immer du bist. Ich beginne also damit, Ihnen zu zeigen, wie das Add-In funktioniert |
| funktioniert und wie Sie damit Bootstrap Calibrated berechnen können |
| Konfidenzgrenzen für Zufallskomponenten in gemischten Modellen in |
| JMP Pro 16. |
| Und von da an gehen wir einen Schritt zurück. Wir werden sehen, wie das Add-In |
| führt diese Berechnungen durch, und ich werde einige der Hinzufügungen hervorheben |
| zu gemischten Modellen in JMP Pro 16, die dies ermöglichen. |
| Von dort aus zeige ich Ihnen die Ergebnisse einiger Simulationen |
| Studien, um Ihnen eine Vorstellung davon zu geben, wie genau dies ist |
| Intervallschätzmethode ist die Bootstrap-Kalibrierung |
| Methode und wie sie im Vergleich zu einigen anderen Methoden für |
| Berechnung von Konfidenzgrenzen sowie die Situationen, in denen dies der Fall ist |
| mehr oder weniger genau und einige der Einschränkungen und Dinge, die Sie |
| sollten sich darüber im Klaren sein, wenn Sie es anwenden werden. |
| Wir werden Möglichkeiten für Verbesserungen in der zukünftigen Arbeit besprechen |
| nur kurz, und von dort aus werde ich abschließen, indem ich Ihnen zeige |
| neu MSA Designer, Messsystemanalyse-Designer, |
| im DOE-Menü in JMP Pro 16 verfügbar, damit Sie schnell zugreifen können |
| und entwerfen und analysieren Sie ganz einfach Ihr eigenes MSA Gauge R&R |
| Studien. Beginnen wir also damit, uns diesen Datensatz anzusehen. |
| Dies ist eine, die ich aus den Beispieldatendateien gezogen habe. |
| Ich werde dieses Fit Mix-Skript hier ausführen, das ich gespeichert habe. So |
| Was wir hier haben, sind unsere zufälligen Schätzungen, Schätzungen |
| für zufällige Komponenten. |
| Jetzt. |
| es könnte sein, dass Sie aus irgendeinem Grund eine berechnen möchten |
| Zwischensumme, zum Beispiel Operator und Teil verschachtelt mit |
| Operator, oder die drei von diesen, |
| Sie wissen schon, Operator und Rest. |
| Diese zu berechnen ist also sehr einfach, wir addieren diese einfach |
| Schätzungen, aber was nicht so einfach ist, ist, diese zu bestimmen |
| Grenzen des Selbstvertrauens. |
| Es gibt eine neue Funktion in gemischten Modellen, die in Version 16 hinzugefügt wurde. |
| Die Linearkombination von |
| Die Funktion Linearkombination der Varianzkomponenten |
| genau hier, und was Sie tun können, ist, dass Sie darauf klicken können. |
| Sie können die Kombination von Varianzkomponenten auswählen, die Sie interessiert, |
| und Sie können auf Fertig drücken. Also haben wir jetzt eine Schätzung für diese. |
| Komponenten sowie deren |
| Grenzen des Selbstvertrauens. So, |
| Was ich jetzt tun werde, ist, dass ich diesen einen Schritt tun werde |
| weiter und ich werde den Bootstrap berechnen |
| Kalibrierte Satterthwaite-Schätzungen, und das werde ich tun |
| Gehen Sie zu meinen Add-Ins und klicken Sie auf Bootstrap Calibrated |
| Konfidenzintervalle dort. Von hier aus können wir also die abschätzen |
| Anzahl Simulationen. |
| 2500 ist ein |
| empfohlene Nummer auf die Standardnummer. Es ist auch die |
| Standardnummer in einigen der anderen Simulationsplattformen und |
| in JMP Pro. Ich werde wählen |
| Dieses hier. Aber eine Sache zu beachten ist, dass es etwas braucht |
| Zeit, dies tun zu können, und so im Interesse der Zeit |
| was ich tun werde, ist, dass ich es früh stoppen werde. |
| Und hier haben wir unsere |
| kalibrierte Intervalle, kalibriertes oberes und unteres Vertrauen |
| dem Bericht hinzugefügte Grenzwerte. |
| Gehen wir also einen Schritt zurück und sehen, was dort passiert ist. |
| Ich werde fortfahren und dies wieder hinzufügen. |
| Nun, eine Sache, die das Add-In |
| tut, sobald Sie es ausführen, |
| ist es fügt hinzu |
| diese Simulationsformel in die Datentabelle, damit Sie die sehen können |
| Simulationsformel hier. |
| Wenn das Add-In geschlossen ist, |
| die Simulationsformel verschwindet. |
| Die dortige Simulationsformel nutzt eine andere aus |
| Funktion, die hinzugefügt wurde ... |
| auf die Plattform für gemischte Modelle in JMP Pro, und das ist das Speichern |
| Simulationsformel-Funktion |
| hier. Was Sie also tun könnten, ist, die zu speichern |
| Simulationsformel und dann zu |
| Verwenden Sie das zum Beispiel zum Simulieren |
| diese Werte hier. Wir können also unser „Y“ mit unserem austauschen |
| neue Simulationsformel, |
| und mach weiter und führe das aus. Wenn Sie also das Add-In ausführen, ist dies |
| alles im Hintergrund gemacht. Aber so geht das Add-In |
| über die Berechnung dieser Intervalle. Also werde ich aufhören |
| so früh, noch einmal im Interesse der Zeit. |
| Und jetzt sehen wir hier die Proben |
| jeweils geschätzt. |
| Simulation. Und so funktioniert das Add-In |
| es braucht all dies. |
| Und es berechnet neue Schätzungen für die oberen und |
| niedrigere Satterthwaite-Intervalle davon |
| Schätzung und dieser Standardfehler, Austausch unterschiedlich |
| Werte für Alpha. Wir streben also 0,05 an, richtig? |
| Damit bekommen wir 95% Ober- und Untergrenzen, und was es damit auf sich hat |
| tut ist es findet |
| ein Alpha-Wert, der zu einer Abdeckung von 95 % führt, also zu 95 % Treffern |
| und 5 % Fehler, |
| tauscht das ein, so bekommt ihr eure kalibrierten Intervalle. |
| Ich hoffe, Sie haben es genossen, das zu sehen. Ich hoffe, Sie finden es nützlich. |
| Wir haben einige Simulationsstudien durchgeführt und was wir herausgefunden haben |
| ist das |
| die Intervalle, die Sie hier für vier Operatoren sehen können |
| und 12 Tage als unsere zufälligen Komponenten, |
| Wir haben Fehlschläge von etwa erreicht |
| 7 %, also eine Trefferquote von 92,8. Das ist jetzt besser als alles andere |
| andere, einschließlich dieser, also die lineare Kombination, die ist |
| einfach das Standard-Satterthwaite-Intervall |
| berechnet auf der Kombination von linearen Komponenten, sowie die |
| Bootstrap-Quantile, die Bias-korrigierten Intervalle in der |
| vorspannungskorrigierte und beschleunigte Intervalle, aber wie Sie sehen werden |
| Diese Intervalle verbessern sich alle, |
| wie Sie Ihre Anzahl an Operatoren erhöhen |
| 4 bis 8 und die Anzahl der Tage von 12 bis 24. Also Erhöhung der |
| Ebenen dieser zufälligen Komponenten |
| Ergebnis viel besser, viel mehr |
| genaue Schätzungen für die Vertrauensgrenzen und vieles mehr |
| die wir jetzt haben |
| hier eine Methode |
| das ist gleichwertig, |
| nur, zu einem |
| Alpha-Wert von 0,05. |
| So. Diese Leistungssteigerung kommt natürlich an |
| Kosten, und einer dieser Kosten ist die Länge der Intervalle. |
| Und so sieht man hier, |
| das mit unserem |
| Bootstrap kalibriert, eigentlich mit all unseren Intervallen, |
| dass, wenn wir eine zunehmende Anzahl von Operatoren haben, |
| dass die Länge des Intervalls viel größer ist |
| gebündelt näher an 0 als es ist, wenn Sie kleiner sind |
| Anzahl der Operatoren. Sie können sehen, dass dies sehr ausfällt |
| weiter, das ist also dieser blaue Bereich hier. Das stimmt für |
| alle von ihnen, aber es gilt besonders für die |
| Bootstrap-kalibriertes Intervall. Sie können dies sehen |
| langer Schwanz hier. |
| Im Durchschnitt erhalten Sie damit längere Längen |
| Methode, aber Sie haben eine genauere Methode. |
| Wenn Sie das etwas tiefer erforschen, können Sie hier sehen |
| dass diese Längenzunahme für vier Operatoren gilt, as |
| sowie acht Operatoren, und es ist signifikant. |
| Statistisch signifikant. |
| Das andere, was ich mir angesehen habe, |
| ist der Effekt des Hinzufügens von Wiederholungen, also der Unterschied |
| zwischen zwei Wiederholungen und fünf Wiederholungen, und was Sie sehen werden |
| Hier ist, dass es wirklich keine gibt |
| Unterschied. Also rüber geschaut |
| die verschiedenen Sätze von Kombinationen aus |
| vier Operatoren und zwei Wiederholungen zu vier Operatoren und fünf Wiederholungen, ungefähr 6 |
| Messungen insgesamt gegenüber 3 Messungen, wir wirklich nicht |
| etwas gewinnen. All dies ist äquivalent zueinander. |
| Das ist also etwas, dessen Sie sich bewusst sein sollten, in dem Sie Verbesserungen sehen |
| Genauigkeit bei der Erhöhung der Anzahl der Operatoren und Sie |
| sehe keine Verbesserungen, wenn die Anzahl erhöht wird |
| Wiederholungen. |
| Eine Sache, die ich als erwähnen möchte |
| Möglichkeit, diese Ergebnisse zu verbessern, ist die |
| Fractional Random Weight Bootstrap, was wir hätten |
| gerne dafür rechtzeitig umsetzen konnten |
| diese Konferenz. Wir waren nicht in der Lage, das zu ertragen |
| und es auf zufällige Varianzkomponenten anzuwenden, und so wir |
| Ich hoffe, dies in zukünftigen Arbeiten tun zu können und vielleicht sogar |
| sehen Sie eine Verbesserung gegenüber dem kalibrierten Bootstrap-Intervall. |
| Und dann die andere Sache, die ich hervorheben möchte, bevor ich |
| gehen ist das Neue |
| MSA Designer, der zu JMP 16 hinzugefügt wurde, und so weiter |
| Von hier aus können wir sehr schnell |
| Erstellen Sie unser eigenes Design, um in der Lage zu sein |
| unsere eigene MSA durchführen oder |
| Gauge-R&R-Analyse. Und mal sehen, ich mache das mit drei |
| Operatoren und fünf Teile. |
| Ich beschrifte diese |
| A, B und C. |
| Und wir machen jeweils eine Wiederholung. Das sind also zwei |
| Messungen insgesamt. |
| Hier haben wir also einen Tisch mit unserem |
| Entwurf. Was ich tun kann, ist, dass ich diesen Knopf zu sehr drücken kann |
| das schnell an die verschiedenen Betreiber schicken, haben |
| sie füllen ihre Teile aus, schicken sie mir zurück. |
| Und dann kann ich hinzufügen |
| diese Ergebnisse zusammen. |
| Also werde ich das sortieren, weil ich hier drüben einen anderen Tisch habe |
| wo ich das vorher gemacht habe. Also füge ich diese einfach hinzu |
| Werte drüben. Und jetzt von den Skripten in der Tabelle wir |
| können schnell und einfach unsere eigene Messsystemanalyse durchführen |
| und Messgerät R&R. Ich hoffe, Sie fanden das nützlich. ich hoffe du |
| genießen Sie weiterhin die Gespräche auf dieser Konferenz. Vielen Dank |
| viel zum zuhören. |
