こんにちは、私の名前はコリーンマッケンドリーそして私午前あるシニア統計的ライターでJMP、しかし私またのようにに実験と機能的なデータ。 これプレゼンテーションはの拡大のいつ閃光だったインスパイヤされたによるあるプレゼンテーションそれだった元は終わりで2020年タイトルの測定システム分析のために曲線データ。
そこにはだったまたあるわずかに以前プレゼンテーションであるJSM会議で2019年。私の話すは本質的にどうやって私するだろう行くについて解決するの問題それだった提示されたでそれらのオリジナル書類。 病気話し合う彼らある少し少しもっと後であまりにも。
初め、ある少し少しの背景の上測定システム分析。 MSA研究決定するどうやって良いあるプロセスできるなれ測定された前に勉強するのプロセス自体。 それでそれ答えの質問、どうやって多くの測定変化は貢献するにの全体プロセス変化。
具体的には、のゲージR&R方法、どれの病気なれを使用して後ででこれ分析、決定するどうやって多くの変化は期限に手術変化対測定変化。 これら種類の研究は重要そして彼らは頻繁必須になれ実行されました前にどれでもタイプの統計的プロセスコントロールまたはデザインの実験。
あゲージR&R古典的なMSAモデルは示されているここ。 のためにある与えられた測定、あなたの応答、 Yサブ私KはのK番目測定の上のIth一部。でこれモデル、あなた持っているある平均学期そしてあるランダム効果それ対応するにの一部そしてあなたのエラー用語。
のランダム効果でのエラー学期は通常は配布されたランダム変数と平均ゼロそしていくつかの対応する分散コンポーネント。 これは単にあるランダム効果モデル、そして私たちはできる使用それモデルに見積もりの分散コンポーネント、そしてそれから使用それらの分散成分見積りに計算するの%ゲージR&Rを使用しての式それは示されているの上の画面。
ここ私たちは持っているの同じモデルしかしの交差したバージョン。 のためにあなたの応答、 YサブIJK 、それは行くになれのK番目測定作ったによるのJ番目オペレーターの上オンのIth一部。 あ得、私たちは持っているある平均学期、あるランダム効果それ対応するにの一部、そして今私たちは持っているあるランダム効果それ対応するにのオペレーター、そしてあるランダム効果それ対応するにのクロス学期、どれのはの交流間のオペレーターそしての一部、そしてのコース、私たちのエラー学期。
全てのこれらランダム効果は通常は配布されたランダム変数と平均ゼロそしていくつかの対応する分散成分。 それでただのようにでの古典的なモデル、これはただあるランダム効果モデル、そして私たちはできる見積もりの分散コンポーネントそして使用彼らに計算するの%ゲージR&R。
で両方ののモデルそれ私ただ説明された、の応答またはの測定だったあるシングルポイント。 しかし何起こるもしこれそうではありませんの場合？ 何もしあなたの測定は何かのようにある曲線その代わり？ これだったのモチベーション後ろにそれらのイニシャルプレゼンテーションで2019年そして2020年それ私話しましたについて。
そこにはだったあるクライアントのJMPそれだったあるサプライヤーの自動車部品、そして彼らは持っていたあるお客様それ指定されたそれある一部必要なに持っているある特定の力による距離曲線。 明らかに、のクライアント欲しかったにマッチ彼らのお客様指定された曲線、そしてそれで彼らは欲しかったに走るある機能的な応答エネルギー省分析でJMPにデザイン彼らの製品にするそれ。
しかし、前に支出のお金の上これタイプの実験、彼らは初め欲しかったに実行するのMSAの上彼らの能力に実は測定の部品力。 あるよある多くもっと詳細での紙了解しましたでの底、それでもしあなたは興味があるでもっとのの背景、お願いします見るそれ。
これは何のデータ見た目のように。 私たちは持っている力の上のY軸そして距離の上のバツ軸、そしての曲線は色付きのによる一部。 それ見た目のようにそこにははのみ10曲線、しかしそこにはは実は250曲線で合計。そのただそれある多くのの曲線はクラスター化された一緒に。
でのデータ、そこにはだった10部品、五オペレーター、そして五レプリケーションあたり一部オペレーター組み合わせ。 私ただ欲しかったに注記それこれはシミュレートされたデータ、そしてそのシミュレートされたに見て似ているにの実際のデータ、しかしそれ私たちはそうではありません共有どれでも独自のデータここ。
あ少し関数特徴それ私欲しかったにポイント外、の機能は実は全て違う長さ、それで彼らは持っているある違う番号の観察で彼らの曲線。 それでもの機能だった集めましたで平等に間隔をあけて時間間隔、彼らはだったない集めましたで平等に間隔をあけて距離。それ手段あるよいいえ真実レプリケーションで条項の距離。
いつこれプロジェクトだった初め提示された、 1つののオリジナルアイデア投げられた外だったかどうか私たちはできた選ぶあるセットの距離場所そしてするある標準ゲージR&R MSAでそれぞれのそれらの場所そしてそれから要約するそれ情報のためにある最後の結果。
の問題とそれはそれもし私たちは選んだある特定の位置、そこにはそうではなかったある保証それそこにはするだろうなれの観察のためにそれぞれのそれらの曲線なぜならそこにはそうではなかったレプリケーションのためにの距離。 別の問題それはもっと一般化されたはとこれタイプの曲線データ、やってるポイント賢い分析のようにそれするない取るの中へアカウントの内で関数相関。
幸いなことに、あるよある全体分野の統計ひたむきなにこれタイプのデータ呼ばれた機能的なデータ分析。 そこにははあるバラエティのテクニックにハンドル不平等に間隔をあけてデータ。 あ多くのそれらのテクニックは今利用可能でJMPを通しての機能的データ冒険者プラットホーム。
の質問なりました、できる機能的なデータメソッドなれ組み合わせたと伝統的MSAメソッドに実行するいくつかのタイプの機能的な測定システム分析？ これだったの解決それだった提示されたでの年上の論文それ私参照しました。 これはただ行くになれある少し少しのあるレビューの何彼らはした。
初め、ある罰せられたスプラインモデルだったフィットに見積もりの一部力機能そしてそれでそこにはだった10機能それだった推定、平均化された以上オペレーターそして複製します。それからこれら機能だった減算されたからのオリジナル力機能に得るあるセットの残留物力機能。 これら残留物機能いいえより長いです含むどれでも変化期限にの一部。 全てのの変化でそれらの残差だった期限にのオペレーターそしての複製します。
彼らはそれからフィットあるランダム効果モデルにのへの残差得るの対応する分散コンポーネントからのモデル。 あグラフィカルな方法だったそれから使用済みに探すの最小一部分散に使用としての見積もりのためにの一部分散成分。
これだったそれから使用済みに計算するあるタイプの最悪場合シナリオ%ゲージR&R。 これ方法彼らは働いたかなり良い。 彼らは得た結果それ作ったセンスそしてのクライアントだったハッピー。 しかしこれだったただある一般化のある標準MSAといくつかの機能的なコンポーネント振りかけたで。
いつ私見たでこれデータそしていつ私見たでの問題、私欲しかったに試すに取るあるもっと伝統的機能的なアプローチ。 私持っているある背景で機能的なデータ分析、そしてそれは何私の論文だったの上、具体的には機能的な混合されたモデル。そこにはだったある章で私の論文ひたむきなに見積もるそしてテストの分散コンポーネントから機能的な混合されたモデル。
私したそれによる拡大するの機能的なモデルを使用して固有関数または基礎関数拡張そして書き換えるそれとしてある混合されたモデルそしてそれからを使用して知られているテクニックに見積もりそれらの分散コンポーネント。 私始めましたに考える、できた私使用の同じタイプの技術？
私しないでください必要ある満杯混合されたモデル。 私のみ持っているランダム効果ここ。 できる私作成するある機能的なランダム効果モデルのためにの一部そしてオペレーター分散コンポーネント？
これは何私来た上とのためにある機能的なMSA横切ってモデル、以来私たちはする持っているのオペレーター学期。のために機能的なモデル、彼らはセット上ある少し少し違うなぜなら彼らは全てベースのその周りの入力。 でこれ場合、あなたの応答、 YサブIJKはのK番目複製する作ったによるのJ番目オペレーターの上のi番目一部、しかしこれ時間である特定の距離、 D.
私たちは持っているある機能的な平均学期、ある機能的なランダム効果それ対応するにの一部、ある機能的なランダム効果それ対応するにのオペレーター、そしてある機能的なランダム効果それ対応するにのクロス学期そして私たちのエラー学期。
でこれ方法、私引き算の平均学期以上、そしてそれで私は左とこれセットの残留物、そしてそれはいつ私は行くにモデル。 これここを表しますの固有関数拡大のの機能的なモデル。 だった行くに持っている資本B固有機能と和全てのそれらの部品一緒にに作成するこれ大きい長さランダム効果モデル。
しかしのために1つ固有関数、何は示されているでこれら括弧はの拡大。 のためにそれぞれ機能的なランダム効果、そのスプリットの中へ二部品。 私たちは持っているある機能的な一部そしてそれからただある通常一部。 の機能的な一部は取られたお手入れのによる評価するそれらの固有機能。 それから私たちは持っているただ標準ランダム条項のためにの一部、のオペレーター、そしてのクロス学期。
それから何これ本質的にするはあなた建てるこれ長さランダム効果モデル、そしてそれからあなた持っているある番号の分散コンポーネントのためにそれぞれ学期。 のためにのMSA、そこには意思今なれ三つセットの資本B分散コンポーネント。 あるよ行くになれ資本B一部分散コンポーネント、資本Bオペレーター分散コンポーネント、そして資本Bクロス学期分散コンポーネント。
なぜならのの方法固有機能は構造化された、彼らはは知られているになれ独立したそしてそれで私たちはできる仮定するそれベースのの上どうやって私たちは構造化されたのモデル、全てのこれら分散コンポーネントは実は独立したからそれぞれ他のまた。 それ手段私たちはできる和彼ら一緒にに得るこれら機能的な分散コンポーネント。
以来だったただ合計する彼ら一緒に、私たちはできるまた代わりの彼らの中への式のためにの%ゲージR&Rそして計算するそれただのように私たちはしたでの標準モデル。
どうやってする私実はするこれでJMP? 良い、そのあるマルチステッププロセス。 私は行くに簡単に概要それここ、そしてそれから私は行くにするあるデモのためにあなた。 初め、私は行くに見積もりの平均曲線でFDEそして得るの残留物曲線。 私はそれから行くにモデルそれらの残留物曲線奉仕するまたのFDEに得るの固有機能必要なのためにの固有関数拡大。
私は行くに保存それらの固有機能にのオリジナルデータテーブルそして使用彼らでフィットミックス。 使用するフィットミックス、私は行くにフィットあるランダム効果モデルにのオリジナルデータを使用してネスティングそしての固有機能に定義するの適切なモデル仕様。
うまくいけば、それ全て作るある少し少しもっとセンス一度私デモそれ。 だった行くに出口外のここ。 ここは私たちのデータ、そして私たちは持っているあるカラムのためにのID変数、あるカラムのためにの一部変数それ定義するの10部品、のオペレーター、どれの定義するの五オペレーター、私たちの距離カラム、そして私たちの力カラム。
ただとしてあるリマインダー、これは何のデータ見たのように。 私の初めステップはに見積もりの平均関数のの力曲線そしてそれから使用それに得るいくつかの残留物。 にするそれ、私は行くにモデルの力機能でFDE。 私は行くに行くにの分析するメニュー、専門化するモデリングそして選択する機能的データ冒険者。
私は行くに定義する力として私の出力、距離として私の入力。 それからなぜなら私欲しいの平均関数平均化された以上全てののID、私はない行くに特定のID関数ここ。 私は行くにクリックわかった。 私たちは持っている私たちの基本的なイントロFDE報告。しかし私欲しいにフィットあるモデル、それで私できる行くにの赤三角形メニュー、モデル。
技術的には、あなたできたフィットどれでものそれらのモデル。 私ただ選んだあるBスプラインなぜならその初め、その簡単、そしてそれはただ取るある少し秒に走るここ。 わかった、それでここにあります私たちのモデルフィット。 あるよある赤ラインここそれはかわいい難しいに見る、しかしそれは何はの平均関数、の推定平均関数。 私は行くに与えるあなたあるより良い写真のそれである分またはそれで。
しかし私実は欲しいに保存の機能のためにこれミーム。 私できるするそれによる行くにこれ関数概要報告。 私できるクリックの赤三角形メニューそして選択するカスタマイズ関数概要。 私のみ欲しいの同じ数式、それで私は行くに選択を解除します彼ら全てそしてそれから再選択それ1つそしてクリックわかりましたそして保存。
私得るある新しいデータテーブルと何表示されますになれこれさみしい少しエントリここ。 そこにははある隠れたカラム、それで私は行くに再表示それ。 私たちは持っているある距離カラムそしてそれから私たちは持っているこれ力平均機能的な式。 私は行くに取るある見てでそれ、何それ実は見た目のように。
いつ私たちは見てでの式カラム、私たちはできる見るそれこれはある関数の距離。 のためにどれでも価値の距離、これは行くになれ評価されたに与える何の平均関数はでそれ距離。 これ式カラムできるなれ置くの中へどれでもデータテーブルそれまた含まれていますある距離カラム。 それはその通り何だった行くにする。
だった行くに作るもちろんこれは強調表示されました。 だった行くに右クリックそして選択するコピーカラムプロパティ。 それからだった行くに探す私たちの方法戻るに私たちのオリジナルデータテーブル。 ダブルクリックに作成するある新しいカラム。 私は行くに右クリックここそしてするペーストカラムプロパティ。 今私たちは持っているの平均力評価されたで毎レベル、毎距離価値で私たちのデータテーブル。
私たちはできる使用それに今探す私たちの残留物関数。 私は行くにダブルクリックまたに作成するある新しいカラムそしてタイトルそれ力住んでいます。 今私は行くに作成する私の自分の式カラムそれは単に行くになれ力マイナスの平均力。 私は行くにクリックわかりました。 今私たちは持っている私たちのセットの残差そしてこれは何それ見た目のように。
での上グラフ、これらライトグレー曲線はのオリジナル機能からの力カラム。これ赤ラインはの同じ赤ラインそれ私試してみたに見せるあなたでのFDE報告それだった難しいに見る、しかしこれは何それだった。 それはの平均関数。
それからの底グラフで緑ショーの残留物曲線。 これらはの曲線それ私は行くに使用に進むと私の分析。 私の次ステップは行くになれにモデルの残留物曲線を使用してFDEに得るの固有機能それ私必要のためにのモデル拡大。 私は行くに行くにの分析するメニューまた、選択する専門化されたモデリング、機能的データ冒険者。
これ時間私は行くに特定の残差としての出力、距離としての入力、そして私午前行くに特定私のIDカラムこれ時間。 私は行くにクリックわかりました。 私たちは持っている私たちの初期ポートここ、そして今私欲しいにフィットあるモデルにこれデータ。 私行くにの赤三角形メニューに見てでのモデル。
また、技術的には、あなたできるフィットどれでものこれらモデル。 で私の実験、私見つかったそれこれら上三つ、彼らは取ったある本当に長さ時間にフィット、そして彼らはしませんでした提供する素晴らしい素晴らしい合うのために何私必要です。 のウェーブレットモデルそしての直接機能的なPCAだった多くの、多くのより速くそしてその間また提供するより良いフィットします。
の警告とそれらの二モデルはそれ彼らは必要とするのデータになれの上の均等に間隔をあけてグリッド。 あs私言及された、いつ私紹介されたのデータ、それはないの場合。 しかし、でFDE、私たちは持っているいくつかのデータ処理ステップそれヘルプ私たち操作する私たちのデータある少し少し。 私たちはできる行くにのクリーン上、減らす、そしてこれ初めタブは何私たちは欲しい、そして私たちはできる使用それ。
今それただ置くそれそれでそれ毎距離価値もっているの観察、もっているある力残差観察。 今私たちはできる行く先にそしてフィット1つのそれらのモデル。 私ただ選んだ直接関数PCA。 あsあなたできる見る、それだったとても素早い。 のフィッティングだった素晴らしい速い。
これ機能的なPCA報告はどこだった行くに得る全ての私たちの情報それ私たちは必要。 しかし私だったただ行くにスクロール下に見てでのデータフィットある少し少し。 私たちはできる見るそれこれら見てかわいい良い。それからもし私たちは見てでの診断プロット、これらはの上の対角線、の残差見て良い。 これ見た目のようにあるかわいい良いフィット、そして私できる使用これ情報からの機能的PCA。
での機能的PCA報告、私たちは持っているあるテーブルの固有値そしてそれからこれらグラフの私たちの形機能。 の形機能は実は私たちの固有機能。 彼らはただ呼ばれた形機能でJMP。 どうやってこれら機能仕事はそれあなたのオリジナル入力、それで距離、はの上のバツ軸、そしてそれからの固有関数評価はの上のY軸。
のためにどれでも距離D、あなたは行くに持っているの評価で固有機能1 、の評価で固有関数2、そしてそれでの上。 あなたできる使用の固有機能に得る... あなたできる使用ある線形組み合わせのの固有機能に得るの見積もりののオリジナル機能。
の固有値テーブル与えるあなたのアイデアのどうやって多くの%のの全体データ変化あなたは取るの中へアカウントいつあなた使用あるある番号の固有値、固有関数ペアリング。 でこれ場合、の初め固有値そして固有関数ペアリング実はアカウントのために99.9 %のの合計変化でのデータ、どれのは実はかわいい信じられない。
これは重要で決定するどうやって多くの固有機能あなたは行くに使用のためにの基礎拡大。 通常いつあなたは選択するある番号の固有機能に使用、あなたしないでください実は欲しいに使用全てのの固有機能それあなたは与えられた。
あなた欲しいに使用の少しでも番号の固有機能それまだアカウントのためにの十分な額の変化でのデータ。 これはなぜならのもっと固有機能あなた使用、のより大きいあなたのランダム効果モデルは行くになれ、そしてその行くになれもっと強くに見積もり。
何する会計のためにの十分な額の変化でのデータ平均？ それできる平均違うものに違う人々で違う田畑。 通常、いつ私は働くとこれ、私持っている使用済みでの過去について90 %としてあるカットオフ。 もし私だったただやってるこれ分析にするの分析、私かもしれないのみ取るこれ初め固有関数以来それ説明するそれで多くの、そして走るとそれ。
のためにデモンストレーション目的、私は行くに取るの初め二ただそれであなたできる見る何のモデル拡大見た目のようにを使用して二固有機能。 に保存これら、私は行くに行くにこれ関数概要報告また、クリックの上の赤三角形メニューそして選択するカスタマイズ関数概要。
私ただ言及されたそれ私はのみ行くに保存二の彼ら、それで私欲しいに入力二ここ。 私は行くに選択を解除しますこれら全てまたそしてのみ保存の数式。私できるクリックわかりましたそして保存そして私持っている別の新しいデータテーブル今。 のものそれ私必要は実は隠れた。 私たちは欲しいに見てのためにこれら力住んでいる形機能どれの代表する私たちの固有機能。
私たちはできる再表示それらのそれでそれ彼らは今含まれていますで私たちのデータテーブル。 私たちはできる取るある見てでこれら式列。 ただのようにと私たちの平均関数、これは単にある関数の距離。 のためにどれでも価値の距離、これら数式は行くに与えるあなた何の固有関数価値はでそれ距離。
また、のようにの主要関数、私たちはできる置くこれら式列の中へどれでもデータテーブルそれまた含まれていますある距離カラム。 それは何だった行くにするまた。 だった行くに置くこれら式列の中へ私たちのオリジナルデータテーブル。
だった行くに作るもちろん両方のこれらは強調表示されたそして右クリックそして選択するコピーカラムプロパティ。 また、探す私たちの方法戻るに私たちのオリジナルデータテーブル。 私欲しいに追加二新しい列に私のデータテーブル。 私は行くに行くに電話、新しい列。 だったただ行くにタイトル彼らE1そして2に代表するの固有機能。 私欲しいに追加二列そして私欲しいに追加彼らとしてあるグループ。病気クリックわかった。
それからとこれら二新しい列強調表示された、私は行くに右クリックそして選択するペーストカラムプロパティ。 今私たちは持っている私たちの固有機能評価されたのために毎距離。
ただに与えるあなたのアイデア、これは何彼らは見てのようにそしてそのの同じグラフ。 そのほとんどの同じグラフとして何だったでのFDE報告。だったただ取る何だったグラフィック的にそこにはそして今私たちは持っているの数字のためにすべて、のために毎価値ここ。
今私たちは欲しいにするの固有関数拡大そして拡大する私たちの機能的なモデル。 しかし何するそれモデル実は見てのようにいつあなた持っている二固有機能？ 私は行くにホップ戻る以上に私のスライド本物素早いそして見せるあなた何のモデル拡大見た目のようにいつ資本B等しい2.
私持っているこれ分割されたの中へあるセクションのためにの一部、のオペレーター、そしてのクロス学期。 それから内でそれぞれのこれらセクション、私たちは見るそれ私たちは持っているある学期それ含まれる固有関数1つそしてある学期それ含まれる固有関数二。 本質的には、これ手段それだった行くに持っている二分散コンポーネントのために一部、二分散コンポーネントのためにのオペレーター、そして二分散コンポーネントのためにのクロス学期。
今私は行くに行く戻るに私のデータテーブル。 私欲しいにフィットこれモデルを使用してフィットモデル。 私は行くに行くにの分析するメニューそして選択するフィットモデル。 私欲しいに特定私の人格としての混合されたモデル。 今私は行くに特定の残差として私のY. それから私は行くに動く下にの効果セクション。
での修理済み効果タブ、私しないでください持っているどれでも修理済み効果そして私またしないでください持っているのインターセプトなぜなら私平均学期以上元は。 今私は行くに動くにのランダム効果タブ。 ここはどこ私は行くに使用の固有機能そしての一部そしてオペレーター変数そしてネスト彼らでの適切な方法に定義するのモデルそれ私ただ示したあなた。
私たちはできる追加両方のこれら固有機能そしてだった行くに選択するこれらそしてまた選択する一部。 だった行くにネスト一部でそれぞれ固有関数。 それからだった行くにするの同じもののためにオペレーターそしての同じもののためにのクロス学期。それはどうやってだった行くに定義する私たちのモデル。
の最後もの私欲しいにするでこれ打ち上げ窓は選択を解除しますの無制限分散コンポーネントオプション。 いつこれは選択された、それ手段それあなたできる持っているネガティブ見積りまたは分散コンポーネント、そして私しないでください欲しいそれ。
どれでもネガティブ見積りはただ行くになれセットにゼロ。 今私できる走るこれ、そして私たちは持っている私たちの報告ここ。 これはのテーブルそれは行くに与える私たち私たちの見積りそれ私たちは必要に計算するの%ゲージR&R、しかし私は行くにポークその周りの報告ある少し少し初め。
これ実際のによる予測されたプロット見た目本当に奇妙なで初め、しかしそれ作るセンスいつあなた考えるについてそれ。 以来私たちはしないでください持っているどれでも修理済み効果またはのインターセプト、いつ私たちはしないでください取るのランダム効果の中へアカウント、私たちの見積もりのためにすべてはただゼロ。 いつ私たちはする取るそれらのランダム効果の中へアカウント、私たちは見るそれの実際のによる条件付き予測されたプロット見た目ある多くより良いそしてそれこれら観察秋かわいい良い平行これ対角線。
私たちはできるまた取るある見てでの条件付き残留物プロット、そして私たちはできる見るそれ彼らはかわいい小さいそして彼らは中心にあるその周りゼロ。 私たちはする持っているいくつかの偏差からこれラインここ、しかしあるよ何もない素晴らしいクレイジーについての残留物。 私感じるわかったについてを使用してこれら見積りに計算するのパーセントゲージR&R。 私実は引っ張られたこれテーブルそして置くそれ戻るの中へ私のスライド。 私は行くに行く戻るに私のスライドのためにの残りののプレゼンテーション。
こちらですそれデータテーブル、ないデータテーブル、の報告テーブルそれだったただそこには。 としてあなたできる見る、あなた持っているある分散成分、 S2分散、成分、見積りのために一部、二のためにオペレーター、そして二のためにのクロス学期。 あs私言及されたいつ私だった記述のモデル、私たちはできる和これら一緒にに計算するの機能的な分散コンポーネント。
これら特定の数字そうではありませんとして重要でこれ分析として何あなた得るいつあなた置く彼らの中への式のためにの%ゲージR&R。 それでいつ私するそれ、私たちは得るある%ゲージR&Rの3.3030。 それは何バレンチーム定義するとしての許容できる測定システム。 もしこれ持っていたされた私のプロジェクト、私するだろう持っている消えた戻るにのクライアントそして言ったそれそれらしいのようにあなたの測定システムは正確な、あなたできる行く先にそして進むとあなたのデザインの実験。
それは基本的にそれのためにこれ分析のためにこれ特定のデータ。 ただいくつかの考えそれ私持っていた。 これ結果だった実はとても似ているにの最悪場合シナリオ%ゲージR&Rそれだった提示されたでの2019年JSMプレゼンテーション。 それだったより高いによるただある少し10進数場所。 それはそうだったなれ本当に面白いに比較するこれらメソッドそして他のデータセットに見るもし彼らははいつも似ているまたはもしこれだったただあるハッピー偶然。
私しないでください持っている多くの経験で全てと測定システム、そしてそれで私しないでください持っているどれでも他のデータに遊ぶその周りとまたは平本当に知るどうやってに得るそれ。 もし誰でももっているどれでもデータそれ彼らは考えるかもしれない適用するにこれタイプのプロジェクト、どれでも機能的なデータそれまた彼らはかもしれない欲しいにするのMSAの上、私はそうするだろうなれ本当に興味があるで聴覚についてそれ。
のためにいくつかの未来仕事、いくつかの考えそれ私持っていただった、の初め1つだった、すべき私追加ある機能的なランダム効果のためにのID? これはとても一般的に終わりである多くの機能的な混合されたモデル、で少しでもでの田畑それ私働いたで。 これだったある大きい貢献で私の論文だったの使用のこれ機能的なランダム効果のためにID。
通常、これキャプチャの内で関数相関横切って、でこれ場合、距離。 私遊んだその周りとこれランダム効果でこれデータ、そして毎モデル私使用済み、の番号の固有機能私使用済み、それしませんでした案件。 の分散成分関連するとこれランダム効果いつも来た外になれゼロ、そしてそれはない役に立つ。
私考えるでこれ場合、一度あなた取ったの中へアカウントの分散からの一部そしてのオペレーター、そこにはただそうではなかったどれでも変化左にアカウントのために。私しないでください知るもしそれは真実のために全て機能的なMSA研究またはもしこれだったただ真実のためにこれ特定のデータ。 もし私だったこれまでできるに得る私の手の上いくつかの違うデータ、これは絶対に何か私するだろう保つで心に見るもしそれできたなれ追加したにあるモデルでどれでも他のデータセットもっと成功しました。
私また考えるそれするだろうなれいいねもし私たちはできた計算するある自信間隔のためにの%ゲージR&R。 そしてついに、私欲しかったに話すについての1つもの私そうではなかった素晴らしいハッピーとでこれプロジェクト、どれのだったの残留物。 何だった間違っていると彼ら？
これらはグラフのいくつかの違うモデルそしての残差のためにそれぞれ1つ。 私は行くに行く戻るそして前方へ間これ滑り台そしての次1つ。 それではい、の残差は比較的小さい。 彼らは中心にあるその周りゼロ。 あるよいいえクレイジースパイクまたは外れ値、そしてそれは良い。 それは何私たちは欲しい。
しかし、で全てのモデル私フィット、私ただまだしませんでした愛どうやって彼らは見た横切って距離。 探していますでの残差これ方法は特に重要いつ働くと機能的なデータ。 これはなぜならそれできる本当に見せるいつあなたはない捕獲する全ての機能的な部品ののデータ。
あ多くの回で機能的なデータ、あなた見るこれ煽る効果どこの残差は本当に良いでの始まり、そしてそれからとしてあなた得るに向かっての終わりのあなたのドメイン、彼らはファン外ある少し少し。 これデータ実は持っていたほとんどの反対問題。 私たちはできる見るそれの残差はある少し少しもっと広いでの始まりののドメインそして得るクローザーにゼロとして距離取得もっと大きい。
あるよまた絶対にいくつかのタイプの周期的なパターンでこれら残留物。 私しないでください考えるそのの終わりのの世界。 私考える彼らは素晴らしい中心にあるその周りゼロ、しかしあなたできる見るでこれらグラフそれあるよ明らかにいくつかの上そして下パターン。 本質的には何それ手段はそれ私はない何か。 私はない捕獲するの満杯機能的な自然ののデータ、そして私しないでください本当に知るなぜまだ。
私はそうするだろう本当にのようにに形それ外そしてフィットの平より良いモデル、かどうかそれは可能とこれデータまたは違うデータでの未来。 私はないもちろん、しかしその絶対に何か私欲しいに過ごすある少しもっと時間の上、そして私はそうするだろうなれ開けるにどれでも議論誰でもするだろうのようにに持っているについてそれ。
それはそれのために自分。 ありがとうのために見てる。 もしあなた持っているどれでも質問、提案、質問またはフィードバック、感じる無料にEメール自分。 感謝あなた。
