Transkript |
| Hallo, mein Name ist Chris Gotwalt. Mein Co-Moderator Hadley |
| Myers und ich stellen ein Add-In zur Verbesserung vor |
| Konfidenzintervalle für Summen oder lineare Varianzkombinationen |
| Komponenten. Dies ist Teil einer Reihe von Vorträgen, die wir gehalten haben |
| Wir arbeiten an der Verbesserung und Bewertung verschiedener Ansätze. |
| Ermitteln von Konfidenzintervallen für Summen von Varianzkomponenten |
| ist wichtig für die Qualität, weil es eine Unsicherheit mit sich bringt |
| Beurteilung der Wiederholbarkeit sowie der Reproduzierbarkeit unserer |
| Mess-System. Das Problem ist, dass wir, wenn wir 95 % verlangen, |
| Konfidenzintervall, es gibt Näherungen und die |
| Die tatsächliche Intervallabdeckung kann bis zu 80 % betragen. |
| In unseren früheren Studien haben wir herausgefunden, dass es zwei Methoden gibt |
| verbesserte Abdeckungsraten, parametrisches Bootstrapping und |
| Satterthwaite-Intervalle, aber in kleinen Intervallen lag sie immer noch unter 95 % |
| Proben. Die frühere Version des Add-Ins implementierte das |
| parametrischer Bootstrap als Notlösung und Elizabeth Claassen |
| implementierte die Satterthwaite-Intervalle im Fit Mixed |
| Plattform nativ in JMP Pro 16. Ich möchte hier aufhören zu geben |
| Elizabeth Claassen ist für die Intervallschätzung verantwortlich |
| Linearkombinationen von Varianzkomponenten so viel einfacher und |
| JMP Pro 16. Sie hat auch die Mixed-Model-Ausgabe erheblich erweitert, |
| was diese Präsentation erheblich vereinfacht hat. Ich hoffe auch |
| dass diese Präsentation als Inspiration dienen wird |
| Andere sollten diese neuen Speicherbefehle ausprobieren, damit sie sie erhalten können |
| Mehr über die Mixed-Model-Funktionen von JMP Pro. Jetzt werden wir es tun |
| Kombinieren Sie die beiden Ansätze mithilfe 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 jeden Parameter angewendet werden können |
| Statistisches Modell. Ich werde die Grundidee vorstellen |
| Bootstrap-Intervallkalibrierung in den einfachsten Worten, die ich habe |
| können, und übergeben Sie das Mikrofon an Hadley, der es vorführen wird |
| Add-In und besprechen Sie unsere Simulationsergebnisse. Um das zu machen |
| Einfach, machen wir es konkret. Betrachten Sie eine sehr kleine Verschachtelung |
| Gauge-R&R-Studie, bei der wir die Gesamtsumme 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 Gesamtsumme. Das ist bekannt |
| Dies ist eine Näherung, die eine „große“ |
| Datenmenge vorhanden ist, um die tatsächliche Abdeckung zu gewährleisten |
| Das Intervall sollte nahe bei 95 % liegen. |
| Bei kleinen Stichproben ist die tatsächliche Abdeckung die Wahrscheinlichkeit, dass die |
| Die Intervallprozedur erzeugt Intervalle, die tatsächlich enthalten |
| der wahre Wert der geschätzten Menge wird tendenziell geringer sein |
| als 95 %. Die tatsächliche Intervallabdeckung beträgt 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 Anpassung zu verwenden |
| Modell und seine Parameter, um einen parametrischen Bootstrap durchzuführen. Wenn wir |
| Wenn wir dies tun, kennen wir den wahren Wert der Größe, die wir sind |
| Schätzung, weil wir mit diesem Wert simuliert haben. |
| Wir können die Simulation tausende Male durchführen. Wir wenden das an |
| Derselbe Modellanpassungsprozess für alle simulierten Proben. Wir |
| kann die Intervalle von JMP erfassen und berechnen, wie oft |
| Sie enthalten den erzeugenden Wert der Menge, die Sie haben |
| wir interessieren uns für. In diesem Fall interessierte uns die Summe aller Dinge |
| die Varianzkomponenten, der wahre Wert beträgt also 4,515. |
| Angenommen, wir nehmen unseren Originaldatensatz, nehmen die Schätzungen vor, |
| Verwenden Sie die Save Simulation Formula, die von Fit Mixed stammt. |
| und eine große Anzahl neuer Datensätze generiert und angewendet |
| Derselbe Modellanpassungsprozess, den wir hier auf jeden von ihnen angewendet haben, |
| und wir haben alle vorhandenen Konfidenzintervalle gesammelt |
| rund um die Gesamtsumme gemeldet. Angenommen, nachdem Sie dies getan haben |
| dass das...die geschätzte Abdeckung, die geschätzte Anzahl |
| von Zeiten, dass diese Intervalle tatsächlich die Wahrheit enthielten, |
| Es stellte sich heraus, dass es 88 % waren. |
| Wir wollten also dieses 95 %-Intervall, aber den Bootstrap |
| Das Verfahren sagt uns, dass die tatsächliche Abdeckung näher bei liegt |
| 88 %. Jetzt können wir ein kleines Spiel spielen und das wiederholen |
| Parametrischer Bootstrap dieses Mal mit einem 99 %-Intervall. Also gehen wir |
| Durch diesen Prozess wiederholen wir alle Bootstrap-Intervalle und |
| Wenn wir das 99 %-Intervall durchlaufen haben, erhalten wir eine tatsächliche Abdeckung von |
| ca. 98 %. Angenommen, wir machen dieses Spiel immer und immer wieder |
| wieder, bis wir einen Alpha fanden |
| mit einer tatsächlichen Abdeckung von ca. 95 %. Also hier |
| Nehmen wir an, wir hätten das gemacht und am Ende hätten wir herausgefunden, dass 97,6 % |
| Als wir nach einem Intervall von 97,6 % fragten, bekamen wir tatsächlich |
| so etwas wie eine 95-prozentige Abdeckung. |
| Dann können wir mithilfe der Anpassung 1 minus Alpha auf 0,976 setzen |
| Modellstartdialog, Alpha-Option festlegen und eine erhalten |
| Intervall, für das Bootstrap kalibriert wurde |
| ungefähre Abdeckung 95 %. Dies ist immer noch eine Annäherung. Dort |
| Dazu kommt noch eine Simulationskomponente, sowie eine tiefergehende |
| zugrunde liegende Näherung, 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 vorführen |
| Add-In und gehen Sie die Simulationen durch, die er gemacht hat |
| zeigen, dass wir in der Lage sind, bessere Deckungsraten zu erzielen als |
| vorher durch Anwenden von Bootstrap |
| Kalibrierung auf Satterthwaite-Intervalle bei Linearkombinationen |
| von Varianzkomponenten. Nimm es weg, Hadley. |
| 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 machen wir einen Schritt zurück. Wir werden sehen, wie das Add-In funktioniert |
| führt diese Berechnungen durch und ich werde einige der Ergänzungen hervorheben |
| zu gemischten Modellen in JMP Pro 16, die dies ermöglichen. |
| Von dort aus zeige ich Ihnen die Ergebnisse einer Simulation |
| Studien, um Ihnen eine Vorstellung davon zu geben, wie genau dies ist |
| Die Methode zur Intervallschätzung ist die Bootstrap-Kalibrierung |
| Methode und wie sie im Vergleich zu einigen anderen Methoden für |
| Berechnen von Konfidenzgrenzen sowie der Situationen, in denen sie vorliegen |
| mehr oder weniger genau und einige der Einschränkungen und Dinge, die Sie |
| sollten sich darüber im Klaren sein, ob Sie es anwenden möchten. |
| Wir besprechen Möglichkeiten für Verbesserungen in der zukünftigen Arbeit |
| nur kurz, und von da an zeige ich Ihnen abschließend das |
| neuer MSA Designer, Designer für Messsystemanalyse, |
| über das 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. Schauen wir uns also zunächst diesen Datensatz an. |
| Dies ist eine, die ich aus den Beispieldatendateien gezogen habe. |
| Ich werde dieses Fit Mix-Skript hier ausführen, das ich gespeichert habe. Also |
| 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 |
| Betreiber, oder die drei davon, |
| Sie wissen schon, Operator und Rest. |
| Die Berechnung ist also ganz einfach: Wir addieren sie einfach |
| Schätzungen, aber was nicht so einfach ist, ist, diese zu ermitteln |
| Grenzen des Selbstvertrauens. |
| Es gibt eine neue Funktion in Mixed Models, die in 16 hinzugefügt wurde. |
| Die Linearkombination von |
| Die lineare Kombination von Varianzkomponenten ist ein Merkmal |
| genau hier, und was Sie also tun können, ist, darauf zu klicken. |
| Sie können die Kombination der Varianzkomponenten auswählen, die Sie interessiert. |
| und Sie können auf „Fertig“ klicken. Jetzt haben wir eine Schätzung dafür. |
| Komponenten sowie deren |
| Grenzen des Selbstvertrauens. Also, |
| Was ich jetzt tun werde, ist, dass ich diesen einen Schritt machen werde |
| weiter und ich werde den Bootstrap berechnen |
| Kalibrierte Satterthwaite-Schätzungen und ich werde das bis dahin tun |
| Gehen Sie zu meinen Add-Ins und klicken Sie auf Bootstrap Calibrated |
| Konfidenzintervalle dort. Von hier aus können wir also abschätzen |
| Anzahl der Simulationen. |
| 2500 ist ein |
| die empfohlene Nummer auf die Standardnummer um. Es ist auch das |
| Standardnummer in einigen anderen Simulationsplattformen und |
| in JMP Pro. Ich werde wählen |
| Dieses hier. Aber eines ist zu beachten: Es braucht einiges |
| Zeit, dies tun zu können, und zwar im Interesse der Zeit |
| Was ich tun werde, ist, dass ich damit vorzeitig aufhöre. |
| Und hier haben wir unsere |
| kalibrierte Intervalle, kalibriertes oberes und unteres Vertrauen |
| Grenzwerte zum Bericht hinzugefügt. |
| Machen wir also einen Schritt zurück und sehen, was dort passiert ist. |
| Ich werde fortfahren und dies noch einmal hinzufügen. |
| Nun, eine Sache, das Add-In |
| tut, sobald Sie es ausführen, |
| ist es fügt hinzu |
| Fügen Sie diese Simulationsformel der Datentabelle hinzu, damit Sie sie sehen können |
| Simulationsformel hier. |
| Wenn das Add-In geschlossen ist, |
| Die Simulationsformel verschwindet. |
| Die dortige Simulationsformel nutzt einen anderen |
| Funktion, die hinzugefügt wurde zu... |
| zur Mixed Models-Plattform in JMP Pro hinzufügen, und das ist das Speichern |
| Funktion „Simulationsformel“. |
| Hier. Dies würde Ihnen also ermöglichen, das zu speichern |
| Simulationsformel und dann zu |
| Nutzen Sie das zum Beispiel zur Simulation |
| diese Werte hier. Wir können also unser „Y“ durch unser austauschen |
| neue Simulationsformel, |
| und machen Sie weiter und führen Sie das aus. Wenn Sie das Add-In ausführen, ist dies der Fall |
| alles im Hintergrund erledigt. Aber so funktioniert das Add-In |
| über die Berechnung dieser Intervalle. Also werde ich aufhören |
| so früh, wieder einmal aus Zeitgründen. |
| Und jetzt sehen wir hier die Beispiele |
| für jeden geschätzt. |
| Simulation. Und so funktioniert das Add-In |
| es braucht all das. |
| Und es berechnet neue Schätzungen für die obere und |
| niedrigere Satterthwaite-Intervalle davon |
| Schätzung und dieser Standardfehler, unterschiedliche austauschen |
| Werte für Alpha. Unser Ziel ist also 0,05, oder? |
| Damit wir 95 % Ober- und Untergrenzen bekommen, und was auch immer |
| tut, ist es findet |
| ein Alpha-Wert, der zu einer Abdeckung von 95 %, also 95 % Treffern, führt |
| und 5 % Fehlschüsse, |
| Wenn Sie das austauschen, erhalten Sie Ihre kalibrierten Intervalle. |
| Ich hoffe, es hat Ihnen Spaß gemacht, das zu sehen. Ich hoffe, Sie finden es nützlich. |
| Wir haben einige Simulationsstudien durchgeführt und herausgefunden, was wir herausgefunden haben |
| ist das |
| die Intervalle, die Sie hier für vier Operatoren sehen können |
| und 12 Tage als unsere Zufallskomponenten, |
| Wir haben ungefähr Fehler gemacht |
| 7 %, also eine Trefferquote von 92,8. Das ist besser als alles andere |
| andere, einschließlich dieser, also die Linearkombination, die ist |
| einfach das Standard-Satterthwaite-Intervall |
| berechnet auf der Kombination linearer Komponenten sowie der |
| Bootstrap-Quantile, die voreingenommenen Intervalle im |
| Bias-korrigierte und beschleunigte Intervalle, aber wie Sie sehen werden |
| diese Intervalle verbessern sich, alle von ihnen, |
| wenn Sie die Anzahl Ihrer Operatoren erhöhen |
| 4 bis 8 und die Anzahl der Tage von 12 bis 24. Erhöhen Sie also die |
| Ebenen dieser Zufallskomponenten |
| Das Ergebnis ist viel besser, viel mehr |
| genaue Schätzungen für die Konfidenzgrenzen und vieles mehr |
| das wir jetzt haben |
| eine Methode hier |
| das ist gleichwertig, |
| einfach, zu einem |
| Alphawert von .05. |
| Also. Diese Leistungssteigerung kommt natürlich zum Tragen |
| ein Kostenfaktor, und einer dieser Kosten ist die Länge der Intervalle. |
| Und so können Sie hier sehen, |
| das mit unserem |
| Bootstrap kalibriert, eigentlich mit allen unseren Intervallen, |
| dass, wenn wir eine zunehmende Anzahl von Betreibern haben, |
| dass die Länge des Intervalls viel länger ist |
| gebündelt näher an 0 als es ist, wenn Sie kleiner geworden sind |
| Anzahl der Operatoren. Man sieht, dass das viel ausbleibt |
| weiter, das ist also dieser blaue Bereich hier. Das stimmt für |
| alle von ihnen, aber es gilt besonders für die |
| Bootstrap-kalibriertes Intervall. Das kann man sehen |
| langer Schwanz hier. |
| Im Durchschnitt werden Sie damit längere Längen erzielen |
| Methode, aber Sie haben eine genauere Methode. |
| Wenn Sie das etwas genauer erforschen möchten, können Sie hier sehen |
| dass diese Längenzunahme für vier Operatoren gilt, as |
| sowie acht Operatoren, und das ist bedeutsam. |
| 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 schauen |
| die verschiedenen Kombinationssätze aus |
| vier Operatoren und zwei Wiederholungen zu vier Operatoren und fünf Wiederholungen, also etwa 6 |
| Messungen insgesamt im Vergleich zu 3 Messungen, das tun wir wirklich nicht |
| etwas gewinnen. All dies ist einander gleichwertig. |
| Das ist also etwas, dessen Sie sich bewusst sein sollten und bei dem Sie Verbesserungen sehen |
| Genauigkeit bei der Erhöhung der Anzahl der Operatoren und Sie |
| Ich sehe keine Verbesserungen, wenn ich die Anzahl erhöhe |
| Wiederholungen. |
| Eine Sache, die ich gerne erwähnen möchte |
| Es besteht die Möglichkeit, diese Ergebnisse zu verbessern |
| Fractional Random Weight Bootstrap, das wir hätten |
| Gerne hätte ich dies rechtzeitig umsetzen können |
| dieser Konferenz. Wir waren nicht in der Lage, das zu ertragen |
| und es auf zufällige Varianzkomponenten anzuwenden, und so weiter |
| Ich hoffe, dass ich das in zukünftigen Arbeiten tun kann und vielleicht sogar |
| Sehen Sie eine Verbesserung gegenüber dem Bootstrap-kalibrierten Intervall. |
| Und dann noch etwas anderes, das ich vorab hervorheben möchte |
| los ist das Neue |
| MSA-Designer, der zu JMP 16 hinzugefügt wurde, und so weiter |
| Von hier aus können wir es sehr schnell tun |
| Erstellen Sie unser eigenes Design, um dies zu können |
| Führen Sie unsere eigene MSA durch oder |
| Messgerät-R&R-Analyse. Und mal sehen, ich mache das mit drei |
| Operatoren und fünf Teile. |
| Ich werde diese beschriften |
| A, B und C. |
| Und wir machen jeweils eine Wiederholung. Das sind also zwei |
| Messungen insgesamt. |
| Hier haben wir also einen Tisch mit unserem |
| Design. Was ich tun kann, ist, dass ich diese Taste sehr oft drücken kann |
| Schicken Sie das schnell an die verschiedenen Betreiber |
| Sie füllen ihre Teile aus, schicken Sie das an mich zurück. |
| Und dann kann ich hinzufügen |
| diese Ergebnisse zusammen. |
| Also werde ich das einfach sortieren, weil ich hier einen anderen Tisch habe |
| wo ich das im Voraus gemacht habe. Also füge ich diese einfach hinzu |
| Werte da drüben. Und nun aus den Skripten in der Tabelle |
| können schnell und einfach unsere eigene Messsystemanalyse durchführen |
| und Gauge R&R. Ich hoffe also, dass Sie dies nützlich fanden. ich hoffe du |
| Genießen Sie weiterhin die Vorträge auf dieser Konferenz. Ich danke Ihnen sehr |
| viel zum Zuhören. |
