MSA 結果 JMP 與 Minitab@馬丁德梅爾
親愛的 JMP 社區，也許你們中的一些人可以幫助我。
我經常使用 Minitab。 現在我正在支持一位在他的公司使用 JMP 的朋友，他讓我向他的團隊解釋如何在 JMP 中執行我在 Minitab 中解釋的程序。
我苦苦掙扎的第一個主題是 MSA（在 JMP 變異性研究中）。
我有一個具有強評價者*部件交互的示例，因為樣本分配以某種方式混合了 3 個樣本。
無論我是否刪除該混淆，我都會遵守以下方案：
JMP 中的所有 GRR 貢獻（基於 6*stdev）都較小，但檢驗員*部件交互除外，它在 JMP 中較大。
重複性似乎幾乎相同。
現在人家明明在問我，哪個軟件好，我也沒有回答。
此示例中的 Minitab 獲得了評估員貢獻的負方差，然後他們將其設置為零（他們的支持反饋）。
但這只能解釋部分問題。 最大的區別似乎在交互部分。
有人可以向我解釋一下，為什麼兩者不同？ 也許 JMP 團隊可以解釋為什麼他們認為自己做得對。
附上帶有示例數據的 Excel 文件，評估結果在單獨的工作表中。
我正在使用 JMP 16.1 和 Minitab 21。
分析回复：MSA 結果 JMP 與 Minitab坐在島上就這麼多了... （見我對@statman )
回复：MSA 結果 JMP 與 Minitab我知道，AIAG 不是國家或國際標準編寫機構，如 ISO 或 ANSI。 這就是為什麼我說“事實上”。
那是因為他們確實編寫了行業標準，例如我參與其中的歐洲計算機製造商協會 ECMA。
在 40 年的質量管理或諮詢工作中，我從未遇到過任何人使用 Wheeler 的 EMP 方法。
但也不得不承認，在某個行業工作，往往就像是坐在一座孤島上……
無論如何，根據您的建議，我將再次檢查 AIAG MSA 文檔。
而 Minitab 確實在使用 EMS 方法。 已經被他們證實了。 所以至少很清楚，為什麼會有差異。
這就是我想要的。
感謝您的支持。 它的速度和清晰度給我留下了深刻的印象。
回复：MSA 結果 JMP 與 Minitab添加到@statman的答复，其他行業不同意AIAG標準，例如半導體行業。 他們為 MSA 找到了更好的定義為了他們的目的. 請使用您所在行業所期望的標準，但請理解各行業存在不同意見和不同解釋。
回复：MSA 結果 JMP 與 MinitabAIAG（汽車工業行動組織）標準最初是為汽車行業設計的。 它不是標準的編寫機構（例如，ANSI、ISO、IEC）。 如果您有機會閱讀 MSA 文檔，您會發現計算變異分量的多個選項，而不是一個。 甚至還提到了 EMP 方法。
回复：MSA 結果 JMP 與 Minitab謝謝@statman和@Dan_Obermiller .
我在懷疑那個方向的東西。 來自 Minitab 的信息是，他們正在使用 AIAG MSA4 的方法。
我對統計學的了解還不夠深入，無法知道它是上述哪種模型類型。 但我認為這很有幫助，如果遵循 AIAG MSA 標準——這是一個被廣泛接受的事實上的標準——至少可以作為一種選擇。
當然，我知道所有數據都是估計值，微小的差異總是可能的，必須接受。
再次感謝您的快速回复。
赫爾曼·赫爾辛
回复：MSA 結果 JMP 與 Minitab添加一點信息到@statman的優秀信息。 要在選擇變異性/量規圖時查看選項，請單擊對話框左下角的分析設置按鈕。 您會看到 JMP 提供了多種方法來計算方差分量，就像@statman說。 單選按鈕設置為“最佳”。 您會發現不能強制 JMP 使用 EMS，只能選擇 EMS 或 REML。 EMS 方法較舊，可能存在負方差分量。 因此，REML 將有助於避免這種情況。 只是我的意見，但我寧願使用 REML 來嘗試避免負方差分量。
如果您真的想使用 EMS，您始終可以使用 JMP 中的擬合模型。 指定您的模型並確保將您的因素聲明為隨機效應。 當你這樣做時，你應該得到一個 Method 的下拉框。 默認為 REML，但您可以將其更改為 EMS（傳統）。 當您運行模型時，它很可能與 Minitab 輸出匹配。
回复：MSA 結果 JMP 與 Minitab歡迎來到社區。 您問的是有關 Minitab 的問題，我們可能沒有該軟件來確定不同的做法，但我會說有多種方法可以估計變異的組成部分，並且某些軟件程序在默認情況下使用的內容不同。 我的猜測是 Minitab 使用 EMS，並且在估計負分量時不使用 REML（受限最大似然）或貝葉斯估計。 我將從理解這一點開始：
https://www.jmp.com/support/help/en/16.2/?os=mac&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/variance-components.shtml
關於 REML：
https://www.jmp.com/support/help/en/16.2/?os=mac&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/restricted-maximum-likelihood-reml-method.shtml
還要意識到所有的估計都是估計，沒有一個一定是“正確的”。 統計數據是否會改變對您的分析的解釋（哪些組件更大等）？ 我還會研究 Wheeler 的 EMP 方法：
https://www.jmp.com/support/help/en/16.2/?os=mac&source=application&utm_source=helpmenu&utm_medium=application#page/jmp/measurement-systems-analysis-platform-options.shtml#
