성적 증명서 |
| 안녕하세요, 제 이름은 Chris Gotwalt입니다. 나의 공동 발표자 해들리 |
| Myers와 나는 향상된 기능을 위한 추가 기능을 제시하고 있습니다. |
| 합계 또는 분산의 선형 조합에 대한 신뢰 구간 |
| 구성 요소. 이것은 우리가 다음과 같이 제공한 일련의 대화의 일부입니다. |
| 우리는 여러 접근 방식을 개선하고 평가하기 위해 노력하고 있습니다. |
| 분산 성분의 합에 대한 신뢰구간 얻기 |
| 불확실성을 제공하기 때문에 품질이 중요합니다. |
| 반복성과 재현성에 대한 평가 |
| 측정 시스템. 문제는 우리가 95%를 요구할 때 |
| 신뢰 구간에는 근사치가 포함되어 있으며 |
| 실제 간격 적용 범위는 80%만큼 낮을 수 있습니다. |
| 이전 연구에서 우리는 두 가지 방법이 있음을 발견했습니다. |
| 향상된 적용 범위, 파라메트릭 부트스트래핑 및 |
| Satterthwaite 간격이지만 소규모에서는 여전히 95% 미만이었습니다. |
| 견본. 이전 버전의 추가 기능은 다음을 구현했습니다. |
| 임시방편으로서의 파라메트릭 부트스트랩과 Elizabeth Claassen |
| Fit Mixed에서 Satterthwaite 간격을 구현했습니다. |
| 플랫폼은 기본적으로 JMP Pro 16에 있습니다. 나는 여기서 멈춰서 주고 싶다. |
| 구간 추정에 대한 Elizabeth Claassen의 공로 |
| 분산 성분의 선형 조합이 훨씬 더 쉽고 |
| JMP 프로 16. 그녀는 또한 혼합 모델 출력을 크게 확장했습니다. |
| 덕분에 이 프레젠테이션이 훨씬 쉬워졌습니다. 나도 바라고 있어 |
| 이 프레젠테이션이 다음 사람들에게 영감을 주는 역할을 할 것이라고 |
| 다른 사람들은 이 새로운 저장 명령을 확인하여 얻을 수 있습니다. |
| JMP Pro의 혼합 모형 기능에 대해 더 자세히 알아보세요. 이제 우리는 |
| Bootstrap이라는 기술을 사용하여 두 가지 접근 방식을 결합합니다. |
| 1991년 Loh가 도입한 간격 교정(Interval Calibration) |
| 통계 Sinica 기사. 부트스트랩 교정은 매우 |
| 신뢰 범위를 개선하기 위한 일반적인 절차 |
| 거의 모든 매개변수에 적용할 수 있는 간격 |
| 통계 모델. 기본 아이디어를 소개하겠습니다. |
| 가장 간단한 용어로 부트스트랩 간격 교정을 수행합니다. |
| 그리고 데모를 할 해들리에게 마이크를 넘겨주세요. |
| 추가 기능을 사용하고 시뮬레이션 결과에 대해 논의해 보세요. 이것을 만들려면 |
| 간단합니다. 구체적으로 설명하겠습니다. 매우 작은 중첩을 고려하십시오. |
| 전체를 추정하려는 Gauge R&R 유형 연구 |
| 변화. 데이터를 수집하고 중첩 분산을 실행합니다. |
| 연산자 효과가 있는 구성 요소 모델, 내부 부품 |
| 연산자 효과와 잔차 효과. 소프트웨어는 다음을 보고합니다. |
| 합계에 대한 Satterthwaite 기반 간격입니다. 그것은 잘 알려져 있습니다 |
| 이는 "대형"을 가정한 근사치입니다. |
| 실제 보도를 위해서는 데이터의 양이 존재해야 합니다. |
| 간격은 95%에 가깝습니다. |
| 작은 표본에서 실제 적용 범위는 |
| 간격 프로시저는 실제로 다음을 포함하는 간격을 생성합니다. |
| 추정 수량의 실제 가치는 더 적은 경향이 있습니다. |
| 95% 이상. 실제 간격 적용 범위는 |
| 디자인의 복잡한 기능, 디자인의 진정한 가치 |
| 기능, 그리고 기타 어려운 가정의 긴 목록 |
| 또는 확인이 불가능합니다. 하지만 우리가 할 수 있는 것은 장착된 것을 사용하는 것입니다. |
| 파라메트릭 부트스트랩을 수행하기 위한 모델과 해당 매개변수입니다. 언제 우리가 |
| 이렇게 하면 우리는 우리가 갖고 있는 양의 진정한 가치를 알게 됩니다. |
| 그 값을 사용하여 시뮬레이션을 했기 때문에 추정하는 것입니다. |
| 우리는 시뮬레이션을 수천 번 할 수 있습니다. 우리는 |
| 모든 시뮬레이션 샘플에 동일한 모델 피팅 프로세스를 적용합니다. 우리 |
| JMP에서 간격을 수집하고 빈도를 계산할 수 있습니다. |
| 여기에는 귀하가 생성하는 수량의 가치가 포함되어 있습니다. |
| 에 관심이 있었습니다. 이 경우 우리는 모든 것의 합계에 관심이 있었습니다. |
| 분산 성분이므로 실제 값은 4.515입니다. |
| 원본 데이터 세트를 가져와서 추정치를 취했다고 가정해 보겠습니다. |
| Fit Mixed에서 제공되는 Save Simulation Formula를 사용하고, |
| 수많은 새로운 데이터 세트를 생성하고 |
| 여기에서 각각에 적용한 것과 동일한 모델 피팅 프로세스 |
| 그리고 우리는 다음과 같은 모든 신뢰 구간을 수집했습니다. |
| 전체를 중심으로 보고되었습니다. 이 일을 한 후에 가정해보자. |
| 그게...추정 범위, 추정 숫자 |
| 이러한 간격에 실제로 진실이 포함된 경우가 많았습니다. |
| 88%로 나타났습니다. |
| 그래서 우리는 95% 간격을 원했지만 Bootstrap은 |
| 절차에 따르면 실제 적용 범위는 |
| 88%. 이제 우리는 작은 게임을 할 수 있고 다음을 반복할 수 있습니다. |
| 이번에는 99% 간격을 사용하는 파라메트릭 부트스트랩입니다. 그래서 우리는 간다 |
| 그 과정을 통해 우리는 모든 부트스트랩 간격을 다시 실행하고 |
| 99% 구간을 수행했을 때 실제 적용 범위는 다음과 같습니다. |
| 대략 98%. 이제 우리가 이 게임을 계속해서 했다고 가정해 보겠습니다. |
| 다시 알파를 찾을 때까지 |
| 실제 적용 범위는 약 95%입니다. 그래서 이것에 |
| 예를 들어, 우리가 그렇게 했고 결국 97.6%의 결과를 얻었다고 가정해 보겠습니다. |
| 97.6% 간격을 요청했을 때 실제로 얻은 결과는 다음과 같습니다. |
| 95% 커버리지 같은 거죠. |
| 그런 다음 우리가 할 수 있는 일은 Fit을 사용하여 1에서 알파를 0.976으로 설정하는 것입니다. |
| 모델 출시 대화상자, 알파 옵션 설정 및 |
| 부트스트랩 보정된 간격 |
| 대략적인 적용 범위 95%. 이것은 여전히 근사치입니다. 거기 |
| 여전히 시뮬레이션 구성 요소일 뿐만 아니라 더 깊은 |
| 분석하기 매우 어려운 기본 근사치, |
| 하지만 사용하기 쉽게 만들 수 있으며 이것이 바로 Hadley가 등장하는 곳입니다. |
| 안에. 이제 나는 그것을 그에게 넘겨주고 그는 데모를 할 것입니다. |
| 추가 기능을 추가하고 그가 수행한 시뮬레이션을 검토해 보세요. |
| 비해 더 나은 보장률을 얻을 수 있음을 보여줍니다. |
| Bootstrap을 적용하기 전에 |
| 선형 조합에서 Satterthwaite 간격에 대한 교정 |
| 분산 구성 요소. 해들리를 데려가세요. |
| Chris님, 정말 감사합니다. 온라인으로 시청하시는 모든 분들께 안녕하세요. |
| 네가 어디에 있든. 그럼 먼저 추가 기능을 사용하는 방법을 보여드리겠습니다. |
| 작동 방법 및 이를 사용하여 Bootstrap Calibrated를 계산하는 방법 |
| 혼합 모델의 무작위 성분에 대한 신뢰 한계 |
| JMP 프로 16. |
| 그리고 거기서부터 우리는 한 걸음 물러서겠습니다. 추가 기능이 어떻게 작동하는지 살펴보겠습니다. |
| 이러한 계산을 수행하고 추가된 사항 중 일부를 강조하겠습니다. |
| 이를 가능하게 하는 JMP Pro 16의 혼합 모형입니다. |
| 이제 시뮬레이션 결과를 보여드리겠습니다. |
| 이것이 얼마나 정확한지에 대한 아이디어를 제공하는 연구 |
| 간격 추정 방법은 Bootstrap Calibration |
| 방법 및 다른 방법과의 비교 |
| 신뢰 한계를 계산하는 것뿐만 아니라 신뢰 한계가 발생하는 상황도 |
| 다소 정확하며 일부 제한 사항과 사항은 |
| 적용할 것인지를 숙지하고 있어야 합니다. |
| 향후 작업에서 개선 가능성에 대해 논의하겠습니다. |
| 간단하게 설명하고 이제부터 내용을 보여드리며 마무리하겠습니다. |
| 새로운 MSA 디자이너, 측정 시스템 분석 디자이너, |
| JMP Pro 16의 실험계획법 메뉴에서 사용할 수 있으므로 |
| 자신만의 MSA 게이지 R&R을 쉽게 설계하고 분석할 수 있습니다. |
| 연구. 그럼 이 데이터 세트를 살펴보는 것부터 시작해 보겠습니다. |
| 이것은 샘플 데이터 파일에서 가져온 것입니다. |
| 여기에서 저장한 Fit Mix 스크립트를 실행하겠습니다. 그래서 |
| 여기에 있는 것은 무작위 추정치입니다. |
| 무작위 구성 요소의 경우. |
| 지금. |
| 어떤 이유로든 다음을 계산하고 싶을 수도 있습니다. |
| 중간 합계(예: 연산자 및 부품이 중첩됨) |
| 연산자 또는 이 세 가지, |
| 아시다시피, 연산자와 잔차입니다. |
| 따라서 이를 계산하는 것은 매우 간단합니다. |
| 하지만 그렇게 간단하지 않은 것은 |
| 신뢰 한계. |
| 16에 추가된 혼합 모델에는 새로운 기능이 있습니다. |
| 선형 조합 |
| 분산 성분의 선형 조합 기능 |
| 바로 여기를 클릭하면 됩니다. |
| 관심 있는 분산 성분의 조합을 선택할 수 있습니다. |
| 완료를 누르면 됩니다. 이제 우리는 이에 대한 추정치를 얻었습니다. |
| 구성 요소와 그 구성 요소 |
| 신뢰 한계. 그래서, |
| 지금 내가 할 일은 이 한 걸음을 내딛는 것입니다. |
| 더 나아가 부트스트랩을 계산하겠습니다. |
| 보정된 Satterthwaite 추정치를 다음과 같이 하려고 합니다. |
| 내 추가 기능으로 가서 Bootstrap Calibrated를 클릭하세요. |
| 거기에 신뢰 구간이 있습니다. 그래서 여기에서 우리는 |
| 시뮬레이션 수. |
| 2500은 |
| 권장번호를 기본번호로 변경합니다. 그것은 또한 |
| 다른 시뮬레이션 플랫폼의 기본 번호 및 |
| JMP Pro에서. 나는 선택할 것이다 |
| 이 하나. 하지만 한 가지 주의할 점은 시간이 좀 걸린다는 것입니다. |
| 이 일을 할 수 있는 시간, 그리고 시간의 이익을 위해 |
| 내가 할 일은 일찍 멈추는 것입니다. |
| 그리고 여기 우리는 |
| 보정된 구간, 보정된 상한 및 하한 신뢰도 |
| 보고서에 제한이 추가되었습니다. |
| 그럼 한발 물러서서 그곳에서 무슨 일이 일어났는지 살펴보겠습니다. |
| 이 내용을 다시 추가하겠습니다. |
| 이제 추가 기능이 |
| 그렇죠, 실행하자마자 |
| 추가하는 건가요? |
| 이 시뮬레이션 공식을 데이터 테이블에 추가하면 |
| 여기에 시뮬레이션 공식이 있습니다. |
| 추가 기능이 닫히면 |
| 시뮬레이션 공식이 사라집니다. |
| 시뮬레이션 공식은 또 다른 이점을 활용합니다. |
| 추가된 기능.. |
| JMP Pro의 혼합 모형 플랫폼에 저장하는 것입니다. |
| 시뮬레이션 공식 기능 |
| 여기. 그래서 이것이 당신이 할 수 있는 일은 |
| 시뮬레이션 공식과 |
| 예를 들어 이를 사용하여 시뮬레이션합니다. |
| 여기에 있는 값입니다. 따라서 "Y"를 "Y"로 바꿀 수 있습니다. |
| 새로운 시뮬레이션 공식, |
| 계속해서 실행해 보세요. 따라서 추가 기능을 실행하면 다음과 같습니다. |
| 모두 백그라운드에서 완료되었습니다. 하지만 이것이 추가 기능이 진행되는 방식입니다. |
| 이 간격을 계산하는 방법에 대해 알아보세요. 그러니까 그만할게 |
| 시간 관계상 이렇게 일찍 다시 한 번 말씀드리겠습니다. |
| 이제 여기에 샘플이 표시됩니다. |
| 각각 추정됩니다. |
| 시뮬레이션. 추가 기능의 작동 방식은 다음과 같습니다. |
| 이 모든 것이 필요합니다. |
| 그리고 상한값에 대한 새로운 추정치를 계산합니다. |
| 이것으로부터 더 낮은 Satterthwaite 간격 |
| 추정치와 이 표준 오류를 다른 것으로 교체합니다. |
| 알파 값. 그렇다면 우리가 0.05를 목표로 하는 것은 무엇입니까? |
| 그래서 우리는 95%의 상한과 하한을 얻습니다. |
| 그것은 발견합니까? |
| 95% 적용 범위, 즉 95% 적중률을 초래하는 알파 값 |
| 5%는 실패하고, |
| 이를 교체하면 교정된 간격을 얻을 수 있습니다. |
| 그럼 재미있게 보셨기를 바랍니다. 도움이 되셨기를 바랍니다. |
| 우리는 몇 가지 시뮬레이션 연구를 수행했으며 그 결과를 알아냈습니다. |
| 그게 |
| 여기에서 4명의 연산자에 대해 볼 수 있는 간격 |
| 12일은 무작위 구성 요소로, |
| 우리는 약의 실수를 달성했습니다 |
| 7%이므로 적중률은 92.8입니다. 이제 이것이 다른 모든 것보다 낫습니다. |
| 이것을 포함한 다른 것들은 선형 결합입니다. |
| 단순히 표준 Satterthwaite 간격 |
| 선형 성분의 조합뿐만 아니라 |
| 부트스트랩 분위수, 편향 보정된 간격 |
| 편향 수정 및 가속 간격이 있지만 앞으로 보시다시피 |
| 이 간격은 모두 개선됩니다. |
| 운영자 수를 늘리면 |
| 4~8일, 일 수는 12~24일입니다. 그래서 증가 |
| 이러한 무작위 구성 요소의 수준 |
| 훨씬 더 나은, 훨씬 더 많은 결과를 가져옵니다 |
| 신뢰 한계에 대한 정확한 추정치 등 |
| 우리가 지금 가지고 있는 것 |
| 여기서 방법 |
| 즉, |
| 그냥, 에게 |
| 알파 값은 .05입니다. |
| 그래서. 물론 이러한 성능 향상은 |
| 비용이 발생하며 이러한 비용 중 하나는 간격의 길이입니다. |
| 여기서 볼 수 있듯이, |
| 우리와 함께 |
| 실제로 모든 간격으로 부트스트랩이 보정되었습니다. |
| 운영자 수가 늘어나면 |
| 간격의 길이가 훨씬 길다는 것입니다. |
| 더 작았을 때보다 0에 더 가깝게 묶였습니다. |
| 운영자 수. 이것이 많이 뒤쳐지는 것을 볼 수 있습니다 |
| 더 나아가, 이것이 여기 파란색 영역입니다. 그것은 사실입니다 |
| 모두 그렇지만 특히 다음과 같은 경우에는 더욱 그렇습니다. |
| 부트스트랩 교정된 간격. 당신은 이것을 볼 수 있습니다 |
| 여기 긴 꼬리. |
| 평균적으로 이것을 사용하면 길이가 더 길어질 것입니다. |
| 하지만 더 정확한 방법이 있습니다. |
| 좀 더 자세히 살펴보면 여기에서 볼 수 있습니다. |
| 이러한 길이 증가는 4명의 대원에게 적용됩니다. |
| 8명의 오퍼레이터도 포함되어 있으며 이는 매우 중요합니다. |
| 통계적으로 유의미한. |
| 제가 살펴본 또 다른 점은, |
| 반복을 추가하는 효과이므로 차이점은 다음과 같습니다. |
| 2회 반복과 5회 반복 사이에서 무엇을 보게 될지 |
| 여기는 정말 없다. |
| 차이점. 그래서 건너편을 보면 |
| 다양한 조합 세트 |
| 4명의 오퍼레이터와 2명의 담당자 ~ 4명의 오퍼레이터와 5명의 담당자, 약 6명 |
| 총 측정값과 3회 측정값, 실제로는 그렇지 않습니다. |
| 무엇이든 얻습니다. 이들 모두는 서로 동일합니다. |
| 따라서 알아야 할 사항은 다음과 같습니다. |
| 오퍼레이터 수를 늘릴 때 정확성이 향상됩니다. |
| 숫자를 늘려도 개선이 보이지 않습니다 |
| 반복. |
| 제가 언급하고 싶은 한 가지는 |
| 이러한 결과를 개선할 수 있는 가능성은 |
| 분수 무작위 가중치 부트스트랩 |
| 이 기능을 제때에 구현할 수 있어서 좋았습니다. |
| 이번 컨퍼런스. 우리는 이것을 할 수 없었습니다. |
| 이를 무작위 분산 구성요소에 적용하려면 |
| 앞으로의 작업에서도 그렇게 할 수 있기를 바랍니다. |
| 부트스트랩 보정 간격이 개선되었습니다. |
| 그리고 그 전에 강조하고 싶은 또 다른 점은 |
| 가는 게 새로운 거야 |
| JMP 16에 추가된 MSA 디자이너 등 |
| 여기서 우리가 할 수 있는 일은 매우 빠르게 할 수 있다는 것입니다. |
| 우리만의 디자인을 만들 수 있도록 |
| 자체 MSA를 수행하거나 |
| 게이지 R&R 분석. 그럼 봅시다. 저는 이것을 3개로 할 것입니다. |
| 연산자와 다섯 부분. |
| 이것들에 라벨을 붙일게요 |
| A, B, C. |
| 그리고 우리는 각각 한 번씩 반복할 것입니다. 그럼 2개네요 |
| 측정값 합계. |
| 그래서 여기에 우리 테이블이 있습니다. |
| 설계. 내가 할 수 있는 일은 이 버튼을 눌러 매우 |
| 신속하게 다른 운영자에게 보내십시오. |
| 그들이 자신의 부분을 채우고 나에게 다시 보내주세요. |
| 그런 다음 추가할 수 있습니다. |
| 그 결과를 함께. |
| 여기 테이블이 하나 더 있으니 정리하겠습니다. |
| 내가 미리 이 일을 했던 곳. 그럼 이걸 추가하겠습니다 |
| 거기 가치관이요. 이제 테이블 내의 스크립트에서 우리는 |
| 자체 측정 시스템 분석을 빠르고 쉽게 수행할 수 있습니다. |
| 및 게이지 R&R. 이 내용이 도움이 되었기를 바랍니다. 나는 당신을 바랍니다 |
| 계속해서 이 컨퍼런스의 강연을 즐기시기 바랍니다. 매우 감사합니다 |
| 듣는 데 많은 도움이 됩니다. |
