Hola, mi nombre es Muchacha McKendry, y I soy a sénior estadístico escritor en JMP, pero I también como a experimento con funcional datos. Este presentación es un extensión de cuando Destello era inspirado por a presentación eso era originalmente hecho en 2020 noble Medición Sistemas Análisis para Curva Datos.
Allá era también a levemente más temprano presentación en a JSM conferencia en 2019. Mi hablar es esencialmente cómo I haría ir acerca de resolviendo el problemas eso eran presentado en aquellos original documentos. Enfermo conversar a ellos a pequeño poco más más tarde también.
Primero, a pequeño poco de fondo en medición sistemas análisis. MSA estudios determinar cómo Bueno a proceso poder ser Medido previo a estudiando el proceso sí mismo. Entonces él respuestas el pregunta, cómo mucho medición variación es contribuyendo a el en general proceso variación.
Específicamente, el Calibrar R&R método, cual Enfermo ser usando más tarde en este análisis, determina cómo mucho variación es pendiente a operación variación versus medición variación. Estos tipos de estudios son importante y ellos son a menudo requerido a ser realizado previo a cualquier tipo de estadístico proceso control o diseño de experimentos.
A Calibrar R&R clásico MSA modelo es mostrado aquí. Para a dado medición, su respuesta, Y sub I k es el kth medición en el Ith parte.En este modelo, tú tener a significar término y a aleatorio efecto eso corresponde a el parte y su término de error.
El aleatorio efecto en el error término son normalmente repartido aleatorio variables con significar cero y alguno correspondiente diferencia componentes. Este es simplemente a aleatorio efectos modelo, y nosotros poder usar eso modelo a estimar el diferencia componentes, y entonces usar aquellos diferencia componente estimados a calcular el % calibrar R&R usando el fórmula eso es mostrado en el pantalla.
Aquí nosotros tener el mismo modelo pero el cruzado versión. Para su respuesta, Y sub IJK , eso es yendo a ser el kth medición hecho por el jth operador en el encendido el Ith parte. A ganar, nosotros tener a significar término, a aleatorio efecto eso corresponde a el parte, y ahora nosotros tener a aleatorio efecto eso corresponde a el operador, y a aleatorio efecto eso corresponde a el cruz término, cual es el interacción entre el operador y el parte, y de curso, nuestro error término.
Todo de estos aleatorio efectos son normalmente repartido aleatorio variables con significar cero y alguno correspondiente diferencia componente. Entonces justo como en el clásico modelo, este es justo a aleatorio efectos modelo, y nosotros poder estimar el diferencia componentes y usar a ellos a calcular el % calibrar R&R.
En ambos de el modelos eso I justo descrito, el respuesta o el medición era a soltero punto. Pero qué sucede si este no es el ¿caso? Qué si su medición es algo como a curva ¿en cambio? Este era el motivación detrás aquellos inicial presentaciones en 2019 y 2020 eso I habló acerca de.
Allá era a cliente de JMP eso era a proveedor de automotor partes, y ellos tenía a cliente eso especificado eso a parte necesario a tener a específico fuerza por distancia curva. Obviamente, el cliente buscado a fósforo su cliente especificado curva, y entonces ellos buscado a correr a funcional respuesta GAMA análisis en JMP a diseño su producto a hacer eso.
Sin embargo, antes gasto el dinero en este tipo de experimento, ellos primero buscado a llevar a cabo un MSA en su capacidad a de hecho medida el partes fuerza. hay a lote más detalles en el papel anotado en el abajo, entonces si estás interesado en más de el fondo, por favor ver eso.
Este es qué el datos aspecto como. Nosotros tener fuerza en el Y eje y distancia en el X eje, y el curvas son de colores por parte. Él aspecto como allá son solo 10 curvas, pero allá son de hecho 250 curvas en total.Es justo eso a lote de el curvas son agrupado juntos.
En el datos, allá eran 10 partes, cinco operadores, y cinco replicaciones por parte operador combinación. I justo buscado a nota eso este es simulado datos, y es simulado a mirar similar a el actual datos, pero eso nosotros no lo son intercambio cualquier propiedad datos aquí.
A pocos función características eso I buscado a punto afuera, el funciones son de hecho todo diferente longitudes, entonces ellos tener a diferente número de observaciones en su curva. A pesar de el funciones eran recogido en igualmente espaciado tiempo intervalos, ellos eran no recogido en igualmente espaciado distancias.Eso medio hay No verdadero replicación en términos de distancia.
Cuando este proyecto era primero presentado, uno de el original ideas arrojado afuera era si nosotros podría elegir a colocar de distancia ubicaciones y hacer a estándar calibrar R&R MSA en cada de aquellos ubicaciones y entonces resumir eso información para a final resultado.
El problema con eso es eso si nosotros escogido a específico ubicación, allá no fue a garantizar eso allá haría ser un observación para cada de aquellos curvas porque allá no fue replicación para el distancia. Otro problema eso es más generalizado es con este tipo de curva datos, haciendo punto inteligente análisis como eso hace no llevar en cuenta el dentro función correlación.
Afortunadamente, hay a entero campo de Estadísticas dedicado a este tipo de datos llamado funcional datos análisis. Allá son a variedad de técnicas a manejar desigualmente espaciado datos. A lote de aquellos técnicas son ahora disponible en JMP a través de el Funcional Datos Explorador plataforma.
El pregunta convertirse, poder funcional datos métodos ser conjunto con tradicional MSA métodos a llevar a cabo alguno tipo de funcional medición sistemas ¿análisis? Este era el solución eso era presentado en el más viejo documentos eso I referenciado. Este es justo yendo a ser a pequeño poco de a revisar de qué ellos hizo.
Primero, a penalizado ranura modelo era adaptar a estimar el parte fuerza funciones y entonces allá eran 10 funciones eso eran estimado, promediado encima operador y replica.Entonces estos funciones eran restado de el original fuerza funciones a obtener a colocar de residual fuerza funciones. Estos residual funciones No más extenso contener cualquier variación pendiente a el parte. Todo de el variación en aquellos derechos residuales de autor eran pendiente a el operador y el replica.
Ellos entonces adaptar a aleatorio efectos modelo a el residuos a obtener el correspondiente diferencia componentes de el modelo. A gráfico método era entonces usado a encontrar el pequeñísimo parte diferencia a usar como un estimar para el parte diferencia componente.
Este era entonces usado a calcular a tipo de el peor caso guión % calibrar R&R. Este método ellos trabajó equitativamente Bueno. Ellos consiguió resultados eso hecho sentido y el cliente era feliz. Pero este era justo a generalización de a estándar MSA con alguno funcional componentes espolvoreado en.
Cuando I miró en este datos y cuando I miró en el problema, I buscado a intentar a llevar a más tradicional funcional acercarse. I tener a fondo en funcional datos análisis, y eso es qué mi disertación era en, específicamente funcional mezclado modelos.Allá era a capítulo en mi disertación dedicado a estimando y pruebas el diferencia componentes de funcional mezclado modelos.
I hizo eso por en expansión el funcional modelo usando propio función o base función expansiones y reescribiendo él como a mezclado modelo y entonces usando conocido técnicas a estimar aquellos diferencia componentes. I comenzó a pensar, podría I usar el mismo tipo de ¿técnica?
I no necesidad a lleno mezclado modelo. I solo tener aleatorio efectos aquí. Poder I crear a funcional aleatorio efectos modelo para el parte y operador diferencia componentes?
Este es qué I vino arriba con para a funcional MSA al otro lado de modelos, desde nosotros hacer tener un operador término.Para funcional modelos, ellos son colocar arriba a pequeño poco diferentemente porque ellos son todo basado alrededor el aporte. En este caso, su respuesta, Y sub IJK es el kth reproducir exactamente hecho por el jth operador en el con parte, pero este tiempo en a particular distancia, D.
Nosotros tener a funcional significar término, a funcional aleatorio efecto eso corresponde a el parte, a funcional aleatorio efecto eso corresponde a el operador, y a funcional aleatorio efecto eso corresponde a el cruz término y nuestro error término.
En este método, I sustraer el significar término encima, y entonces Soy izquierda con este colocar de derechos residuales de autor, y eso es cuando Soy yendo a modelo. Este aquí representa el propio función expansión de el funcional modelo. Eran yendo a tener capital B propio funciones y suma todo de aquellos partes juntos a crear este grande largo aleatorio efectos modelo.
Pero para uno propio función, qué es mostrado en estos soportes es el expansión. Para cada funcional aleatorio efecto, es dividir en dos partes. Nosotros tener a funcional parte y entonces justo a regular parte. El funcional parte es tomado cuidado de por evaluando aquellos propio funciones. Entonces nosotros tener justo estándar aleatorio términos para el parte, el operador, y el cruz término.
Entonces qué este esencialmente hace es tú construir este largo aleatorio efectos modelo, y entonces tú tener a número de diferencia componentes para cada término. Para el MSA, allá voluntad ahora ser tres conjuntos de capital B diferencia componentes. hay yendo a ser capital B parte diferencia componentes, capital B operador diferencia componentes, y capital B cruz término diferencia componentes.
Porque de el forma propio funciones son estructurado, ellos son conocido a ser independiente y entonces nosotros poder asumir eso basado en cómo nosotros estructurado el modelo, todo de estos diferencia componentes son de hecho independiente de cada otro también. Eso medio nosotros poder suma a ellos juntos a obtener estos funcional diferencia componentes.
Desde eran justo sumando a ellos juntos, nosotros poder también sustituto a ellos en el fórmula para el % calibrar R&R y calcular eso justo como nosotros hizo en el estándar modelos.
Cómo hacer I de hecho hacer este en JMP? Bien, es a multi paso proceso. Soy yendo a brevemente describir él aquí, y entonces Soy yendo a hacer a manifestación para tú. Primero, Soy yendo a estimar el significar curva en FDE y obtener el residual curvas. Soy entonces yendo a modelo aquellos residual curvas sirve también un FDE a obtener el propio funciones necesario para el propio función expansión.
Soy yendo a ahorrar aquellos propio funciones a el original datos mesa y usar a ellos en FitMix. Usando mezcla de ajuste, Soy yendo a adaptar a aleatorio efectos modelo a el original datos usando anidando y el propio funciones a definir el adecuado modelo especificaciones.
Con un poco de suerte, eso todo marcas a pequeño poco más sentido una vez I manifestación él. Eran yendo a salida afuera de aquí. Aquí es nuestro datos, y nosotros tener a columna para el IDENTIFICACIÓN variable, a columna para el parte variable eso define el 10 partes, el operador, cual define el cinco operadores, nuestro distancia columna, y nuestro fuerza columna.
Justo como a recordatorio, este es qué el datos miró como. Mi primero paso es a estimar el significar función de el fuerza curvas y entonces usar eso a obtener alguno derechos residuales de autor. A hacer eso, Soy yendo a modelo el fuerza funciones en FDE. Soy yendo a ir a el Analizar menú, Especializarse Modelado y seleccionar Funcional Datos Explorador.
Soy yendo a definir fuerza como mi producción, distancia como mi aporte. Entonces porque I desear el significar función promediado encima todo de el identificaciones, Soy no yendo a especificar un IDENTIFICACIÓN función aquí. Soy yendo a hacer clic Bueno. Nosotros tener nuestro básico introducción FDE informe.Pero I desear a adaptar a modelo, entonces I poder ir a el rojo triángulo menú, modelos.
Técnicamente, tú podría adaptar cualquier de aquellos modelos. I justo eligió a B ranura porque es primero, es fácil, y lo hará justo llevar a pocos segundos a correr aquí. Bueno, entonces aquí está nuestro modelo adaptar. hay a rojo línea aquí eso es bonito duro a ver, pero eso es qué es el significar función, el estimado significar función. Soy yendo a dar tú a mejor imagen de eso en a minuto o entonces.
Pero I de hecho desear a ahorrar el funciones para este meme. I poder hacer eso por yendo a este Función Resúmenes informe. I poder hacer clic el rojo triángulo menú y seleccionar Personalizar Función Resúmenes. I solo desear el mismo fórmulas, entonces Soy yendo a deseleccionar a ellos todo y entonces volver a seleccionar eso uno y hacer clic DE ACUERDO y Ahorrar.
I conseguir a nuevo datos mesa con qué aparece a ser este solitario pequeño entrada aquí. Allá es a oculto columna, entonces Soy yendo a mostrar eso. Nosotros tener a distancia columna y entonces nosotros tener este fuerza significar funcional fórmula. Soy yendo a llevar a mirar en eso, qué eso de hecho aspecto como.
Cuando nosotros mirar en el fórmula columna, nosotros poder ver eso este es a función de distancia. Para cualquier valor de distancia, este es yendo a ser evaluado a dar qué el significar función es en eso distancia. Este fórmula columna poder ser poner en cualquier datos mesa eso también contiene a distancia columna. Eso es exactamente qué eran yendo a hacer.
Eran yendo a hacer seguro este es resaltado. Eran yendo a bien hacer clic y seleccionar Copiar columna propiedades. Entonces eran yendo a encontrar nuestro forma atrás a nuestro original datos mesa. Doble hacer clic a crear a nuevo columna. Soy yendo a bien hacer clic aquí y hacer pegar columna propiedades. Ahora nosotros tener el significar fuerza evaluado en cada nivel, cada distancia valor en nuestro datos mesa.
Nosotros poder usar eso a ahora encontrar nuestro residual función. Soy yendo a doble hacer clic de nuevo a crear a nuevo columna y título él Fuerza Residentes. Ahora Soy yendo a crear mi propio fórmula columna eso es simplemente yendo a ser fuerza menos el significar fuerza. Soy yendo a hacer clic DE ACUERDO. Ahora nosotros tener nuestro colocar de derechos residuales de autor y este es qué él aspecto como.
En el arriba grafico, estos luz gris curvas son el original funciones de el fuerza columna.Este rojo línea es el mismo rojo línea eso I intentó a espectáculo tú en el FDE informe eso era duro a ver, pero este es qué eso era. Eso es el significar función.
Entonces el abajo grafico en verde muestra el residual curvas. Estos son el curvas eso Soy yendo a usar a proceder con mi análisis. Mi próximo paso es yendo a ser a modelo el residual curvas usando FDE a obtener el propio funciones eso I necesidad para el modelo expansión. Soy yendo a ir a el Analizar menú de nuevo, seleccionar Especializado Modelado, Funcional Datos Explorador.
Este tiempo Soy yendo a especificar el derechos residuales de autor como el producción, distancia como el aporte, y I soy yendo a especificar mi IDENTIFICACIÓN columna este tiempo. Soy yendo a hacer clic DE ACUERDO. Nosotros tener nuestro puerto inicial aquí, y ahora I desear a adaptar a modelo a este datos. I ir a el rojo triángulo menú a mirar en el modelos.
De nuevo, técnicamente, tú poder adaptar cualquier de estos modelos. En mi experimentación, I encontró eso estos arriba tres, ellos tomó a en realidad largo tiempo a adaptar, y ellos no proporcionar súper excelente encaja para qué I necesario. El ondas modelos y el directo funcional PCA eran mucho, mucho mas rapido y mientras también Proporcionar mejor encaja.
El advertencia con aquellos dos modelos es eso ellos requerir el datos a ser en un igualmente espaciado red. A s I mencionado, cuando I introducido el datos, eso es no el caso. Sin embargo, en FDE, nosotros tener alguno datos Procesando pasos eso ayuda a nosotros manipular nuestro datos a pequeño poco. Nosotros poder ir a el limpio arriba, reducir, y este primero pestaña es qué nosotros desear, y nosotros poder usar eso.
Ahora eso justo pone él entonces eso cada distancia valor tiene un observación, tiene a fuerza derechos residuales de autor observación. Ahora nosotros poder ir adelante y adaptar uno de aquellos modelos. I justo eligió funcional directo PCA. A s tú poder ver, él era muy rápido. El adecuado era súper rápido.
Este funcional PCA informe es dónde eran yendo a conseguir todo de nuestro información eso nosotros necesidad. Pero I era justo yendo a Desplazarse abajo a mirar en el datos adaptar a pequeño poco. Nosotros poder ver eso estos mirar bonito bien.Entonces si nosotros mirar en el diagnóstico parcelas, estos son en el diagonal, el derechos residuales de autor mirar bien. Este aspecto como a bonito bien adaptar, y I poder usar este información de el Funcional PCA.
En el Funcional PCA informe, nosotros tener a mesa de valores propios y entonces estos graficos de nuestro forma funciones. El forma funciones son de hecho nuestro propio funciones. Ellos son justo llamado forma funciones en JMP. Cómo estos funciones trabajar es eso su original aporte, entonces distancia, es en el X eje, y entonces el propio función evaluación es en el Y eje.
Para cualquier distancia D, estás yendo a tener un evaluación en propio función 1 , un evaluación en propio función 2, y entonces en. Tú poder usar el propio funciones a conseguir... Tú poder usar a lineal combinación de el propio funciones a conseguir un estimar de el original funciones.
El valores propios mesa da tú un idea de cómo mucho % de el en general datos variación estás tomando en cuenta cuando tú usar a cierto número de valor propio, propio función emparejamientos. En este caso, el primero valor propio y propio función emparejamiento de hecho cuentas para 99,9 % de el total variación en el datos, cual es de hecho bonito increíble.
Este es importante en determinando cómo muchos propio funciones estás yendo a usar para el base expansión. Típicamente cuando estás seleccionando a número de propio funciones a usar, tú no de hecho desear a usar todo de el propio funciones eso estás dado.
Tú desear a usar el el menos número de propio funciones eso aún cuenta para un adecuado cantidad de variación en el datos. Este es porque el más propio funciones tú usar, el más grande su aleatorio efectos modelo es yendo a ser, y es yendo a ser más difícil a estimar.
Qué hace contabilidad para un adecuado cantidad de variación en el datos ¿significar? Él poder significar diferente cosas a diferente gente en diferente campos. Típicamente, cuando Soy laboral con este, I tener usado en el pasado acerca de 90 % como a cortar apagado. Si I era justo haciendo este análisis a hacer el análisis, I podría solo llevar este primero propio función desde él explica entonces mucho, y correr con eso.
Para demostración propósitos, Soy yendo a llevar el primero dos justo entonces tú poder ver qué el modelo expansión aspecto como usando dos propio funciones. A ahorrar estos, Soy yendo a ir a este Función Resúmenes informe de nuevo, hacer clic en el rojo triángulo menú y seleccionar Personalizar Función Resúmenes.
I justo mencionado eso Soy solo yendo a ahorrar dos de a ellos, entonces I desear a ingresar dos aquí. Soy yendo a deseleccionar estos todo de nuevo y solo ahorrar el fórmulas.I poder hacer clic DE ACUERDO y Ahorrar y I tener otro nuevo datos mesa ahora. El cosas eso I necesidad son de hecho oculto. Nosotros desear a mirar para estos fuerza reside forma funciones cual representar nuestro propio funciones.
Nosotros poder mostrar aquellos entonces eso ellos son ahora incluido en nuestro datos mesa. Nosotros poder llevar a mirar en estos fórmula columnas. Justo como con nuestro significar función, este es simplemente a función de distancia. Para cualquier valor de distancia, estos fórmulas son yendo a dar tú qué el propio función valor es en eso distancia.
También, como el principal función, nosotros poder poner estos fórmula columnas en cualquier datos mesa eso también contiene a distancia columna. Eso es qué eran yendo a hacer de nuevo. Eran yendo a poner estos fórmula columnas en nuestro original datos mesa.
Eran yendo a hacer seguro ambos de estos son resaltado y bien hacer clic y seleccionar Copiar columna propiedades. De nuevo, encontrar nuestro forma atrás a nuestro original datos mesa. I desear a agregar dos nuevo columnas a mi datos mesa. Soy yendo a ir a llamadas, nuevo columnas. Eran justo yendo a título a ellos E1 y 2 a representar el propio funciones. I desear a agregar dos columnas y I desear a agregar a ellos como a grupo.Enfermo hacer clic bueno.
Entonces con estos dos nuevo columnas resaltado, Soy yendo a bien hacer clic y seleccionar pegar columna propiedades. Ahora nosotros tener nuestro propio funciones evaluado para cada distancia.
Justo a dar tú un idea, este es qué ellos mirar como y es el mismo grafico. Es casi el mismo grafico como qué era en el FDE informe.Eran justo tomando qué era gráficamente allá y ahora nosotros tener el números para todo, para cada valor aquí.
Ahora nosotros desear a hacer el propio función expansión y expandir nuestro funcional modelo. Pero qué hace eso modelo de hecho mirar como cuando tú tener dos propio funciones? Soy yendo a brincar atrás encima a mi diapositivas real rápido y espectáculo tú qué el modelo expansión aspecto como cuando capital B es igual 2.
I tener este dividido en a sección para el parte, el operador, y el cruz término. Entonces dentro cada de estos secciones, nosotros ver eso nosotros tener a término eso implica propio función uno y a término eso implica propio función dos. Esencialmente, este medio eso eran yendo a tener dos diferencia componentes para parte, dos diferencia componentes para el operador, y dos diferencia componentes para el cruz término.
Ahora Soy yendo a ir atrás a mi datos mesa. I desear a adaptar este modelo usando Adaptar Modelo. Soy yendo a ir a el Analizar menú y seleccionar Adaptar Modelo. I desear a especificar mi personalidad como el mezclado modelo. Ahora Soy yendo a especificar el derechos residuales de autor como mi y. Entonces Soy yendo a mover abajo a el efectos sección.
En el fijado efectos pestaña, I no tener cualquier fijado efectos y I también no tener un interceptar porque I significar término encima originalmente. Ahora Soy yendo a mover a el aleatorio efectos pestaña. Aquí es dónde Soy yendo a usar el propio funciones y el parte y operador variables y nido a ellos en un adecuado forma a definir el modelo eso I justo presentado tú.
Nosotros poder agregar ambos de estos propio funciones y eran yendo a seleccionar estos y también seleccionar parte. Eran yendo a nido parte en cada propio función. Entonces eran yendo a hacer el mismo cosa para operador y el mismo cosa para el cruz término.Eso es cómo eran yendo a definir nuestro modelo.
El último cosa I desear a hacer en este lanzamiento ventana es deseleccionar el Ilimitado Diferencia Componentes opción. Cuando este es seleccionado, él medio eso tú poder tener negativo estimados o diferencia componentes, y I no desear eso.
Cualquier negativo estimados son justo yendo a ser colocar a cero. Ahora I poder correr este, y nosotros tener nuestro informe aquí. Este es el mesa eso es yendo a dar a nosotros nuestro estimados eso nosotros necesidad a calcular el % calibrar R&R, pero Soy yendo a dar un toque alrededor el informe a pequeño poco primero.
Este actual por predicho trama aspecto en realidad extraño en primero, pero él marcas sentido cuando tú pensar acerca de él. Desde nosotros no tener cualquier fijado efectos o un interceptar, cuando nosotros no llevar el aleatorio efectos en cuenta, nuestro estimar para todo es justo cero. Cuando nosotros hacer llevar aquellos aleatorio efectos en cuenta, nosotros ver eso el actual por condicional predicho trama aspecto a lote mejor y eso estos observaciones caer bonito Bueno a lo largo de este diagonal.
Nosotros poder también llevar a mirar en el condicional residual parcelas, y nosotros poder ver eso ellos son bonito pequeño y ellos son centrado alrededor cero. Nosotros hacer tener alguno desviación de este línea aquí, pero hay nada súper loco acerca de el derechos residuales de autor. I sentir bueno acerca de usando estos estimados a calcular el porcentaje calibrar R&R. I de hecho tirado este mesa y poner él atrás en mi diapositivas. Soy yendo a ir atrás a mi diapositivas para el resto de el presentación.
Aquí está eso datos mesa, no datos mesa, el informe mesa eso era justo allá. Como tú poder ver, tú tener a diferencia componente, T2 variación, componentes, estimados para parte, dos para operador, y dos para el cruz término. A s I mencionado cuando I era describiendo el modelo, nosotros poder suma estos juntos a calcular el funcional diferencia componentes.
Estos específico números no lo son como importante en este análisis como qué tú conseguir cuando tú poner a ellos en el fórmula para el % calibrar R&R. Entonces cuando I hacer eso, nosotros conseguir a % calibrar R&R de 3.3030. Eso es qué Baren equipo define como un aceptable medición sistema. Si este tenía estado mi proyecto, I haría tener desaparecido atrás a el cliente y dicho eso él parece como su medición el sistema es preciso, tú poder ir adelante y proceder con su diseño de experimentos.
Eso es básicamente él para este análisis para este particular datos. Justo alguno pensamientos eso I tenía. Este resultado era de hecho muy similar a el el peor caso guión % calibrar R&R eso era presentado en el 2019 JSM presentación. Él era más alto por justo a pocos decimal lugares. Sería ser en realidad interesante a comparar estos métodos y otro datos conjuntos a ver si ellos son siempre similar o si este era justo a feliz coincidencia.
I no tener mucho experiencia en todo con medición sistemas, y entonces I no tener cualquier otro datos a jugar alrededor con o incluso en realidad saber cómo a obtener él. Si cualquiera tiene cualquier datos eso ellos pensar podría aplicar a este tipo de proyecto, cualquier funcional datos eso también ellos podría desear a hacer un MSA en, Identificación ser en realidad interesado en audiencia acerca de él.
Para alguno futuro trabajar, alguno pensamientos eso I tenía era, el primero uno era, debería I agregar a funcional aleatorio efecto para el ¿IDENTIFICACIÓN? Este es muy comúnmente hecho en a lote de funcional mezclado modelos, en el menos en el campos eso I trabajó en. Este era a grande contribución en mi disertación era el usar de este funcional aleatorio efecto para IDENTIFICACIÓN.
Típicamente, este capturas el dentro función correlación al otro lado de, en este caso, distancia. I jugó alrededor con este aleatorio efecto en este datos, y cada modelo I usado, el número de propio funciones I usado, él no asunto. El diferencia componente asociado con este aleatorio efecto siempre vino afuera a ser cero, y eso es no útil.
I pensar en este caso, una vez tú tomó en cuenta el diferencia de el parte y el operador, allá justo no fue cualquier variación izquierda a cuenta para.I no saber si eso es verdadero para todo funcional MSA estudios o si este era justo verdadero para este particular datos. Si I era alguna vez capaz a conseguir mi manos en alguno diferente datos, este es definitivamente algo I haría mantener en mente a ver si él podría ser agregado a a modelo en cualquier otro datos conjuntos más exitosamente.
I también pensar él haría ser Frío si nosotros podría calcular a confianza intervalo para el % calibrar R&R. Y finalmente, I buscado a hablar acerca de el uno cosa I no fue súper feliz con en este proyecto, cual era el derechos residuales de autor. Qué era equivocado con ¿a ellos?
Estos son graficos de alguno diferente modelos y el derechos residuales de autor para cada uno. Soy yendo a ir atrás y adelante entre este deslizar y el próximo uno. Entonces Sí, el derechos residuales de autor son relativamente pequeño. Ellos son centrado alrededor cero. hay No loco Picos o valores atípicos, y eso es bien. Eso es qué nosotros desear.
Sin embargo, en todo el modelos I adaptar, I justo aún no amar cómo ellos miró al otro lado de distancia. Mirando en el derechos residuales de autor este forma es especialmente importante cuando laboral con funcional datos. Este es porque él poder en realidad espectáculo cuando estás no capturando todo el funcional partes de el datos.
A lote de veces en funcional datos, tú ver este abanicando efecto dónde el derechos residuales de autor son en realidad bien en el comienzo, y entonces como tú conseguir hacia el fin de su dominio, ellos admirador afuera a pequeño poco. Este datos de hecho tenía casi el opuesto problema. Nosotros poder ver eso el derechos residuales de autor son a pequeño poco más amplio en el comienzo de el dominio y conseguir cerca a cero como distancia obtiene más grande.
hay también definitivamente alguno tipo de cíclico patrón en estos derechos residuales de autor. I no pensar es el fin de el mundo. I pensar ellos son súper centrado alrededor cero, pero tú poder ver en estos graficos eso hay claramente alguno arriba y abajo patrones. Esencialmente qué eso medio es eso Soy desaparecido algo. Soy no capturando el lleno funcional naturaleza de el datos, y I no en realidad saber por qué todavía.
Identificación en realidad como a cifra eso afuera y adaptar un incluso mejor modelo, si eso es posible con este datos o diferente datos en el futuro. Soy no seguro, pero es definitivamente algo I desear a gastar a pequeño más tiempo en, y Identificación ser abierto a cualquier discusión alguien haría como a tener acerca de él.
Eso es él para a mí. Gracias para mirando. Si tú tener cualquier preguntas, sugerencias, preguntas o comentario, sentir gratis a correo electrónico a mí. Agradecer tú.
