你好，我的姓名是科琳麥肯德里,
和我是A進階的統計作家在傑普,
但我也喜歡到玩大約和功能性的數據。
這專案是在測量系統分析為了曲線數據。
第一的，我是只是去到給A非常簡短的背景在MSA學習在一般的。
MSA學習決定如何出色地A過程
能是測量的事先的到學習這過程本身。
它答案這問題，如何很多測量變化是
貢獻到這全面的流程變化。
具體來說，這蓋奇休息與恢復方法，哪個是什麼患病的是使用在我的分析，
決定如何很多變化是到期的到手術變化
相對測量變化。
你能使用A蓋奇休息與恢復交叉的MSA模型什麼時候你有兩個都A部分和一個操作員。
這模型你能看這裡為了你的測量是子我J克，
那是去到是這第K次測量製成經過這Jth操作員在這伊思部分。
在這模型，你有A意思是學期，
A隨機的影響那對應到這部分，
A隨機的影響那對應到這操作員，
和A隨機的影響那對應到這交互作用或者叉學期。
你也有一個錯誤學期。
這是簡單地A隨機的效果模型，
和全部的這些隨機的效果是通常情況下分散式隨機的變數
和意思是零和一些相應的變異數成分。
什麼時候你合身這模型，
你能使用那到估計這變異數成分
和然後使用那些變異數成分估計
到計算這百分比量規休息與復健使用這公式顯示那裡。
在A標準MSA學習，
全部的你的測量是去到是單身的點。
但什麼發生如果那是不是這案件？
什麼如果反而你是測量某物喜歡A曲線？
那問題曾是這動機在後面這專案.
那裡曾是A客戶的聯合管理計劃那曾是A供應商的汽車部分，
和他們有A顧客那指定的
那A部分需要的到有A具體的力量經過距離曲線。
明顯地，這客戶通緝到設計
他們的產品到匹配這顧客指定的曲線。
在命令到做那，
他們通緝到跑步A功能性的回覆美國能源部分析
和聯合管理計劃到設計他們的產品在命令到做所以。
然而，前開支錢在那實驗，
他們通緝到執行一個MSA在他們的能力到措施這部分力量。
那裡是A很多更多的細節關於這實際的數據和這問題具體來說
在一個早些時候2020年白色的紙
標題為測量系統分析為了彎曲數據。
如果你想任何更多的細節，看那向上。
它應該是在這社區。
這在這圖形，那是什麼這數據看起來喜歡。
在這Y 軸，我們有力量，和在這X 軸，我們有距離。
它看起來喜歡那裡是僅有的10曲線在這圖形，
但那裡是實際上250全部的曲線。
有只是一些聚類去在。
那裡是10不同的部分，五不同的運營商，
和五重複每部分操作員組合。
A小的位元關於這數據，明顯地，
這些測量是曲線和不是點。
這數據曾是集均勻地間隔的在時間，但不是均勻地間隔的在距離。
那裡是一些早些時候專案
那嘗試過A很少不同的方法到執行一些類型的MSA學習在這數據。
他們用過的一些功能性的成分，但留下來漂亮的真的到A標準MSA。
什麼時候我看起來在這數據，我通緝到拿A真的功能性的方法
因為我有A背景在功能性的數據。
功能性數據分析
是有用為了數據那是在這形式的功能或者曲線。
那裡是許多技巧到處理不平等地間隔的數據，
A很多的哪個是可用的在這功能性數據探險家平台在JMP。
我的目標曾是到結合功能性的數據方法和傳統的MSA方法
到執行一些類型的功能性的測量系統分析。
我的解決方案曾是到創造A功能性的隨機的效果模型
經過擴大這功能性的模型使用本徵功能擴張，
重寫那作為A隨機的效果或者A混合的模型
如果你有任何固定的效果也,
和然後估計這變異數
成分聯繫和這部分和操作員條款。
到去A小的位元進入這模型符號。
為了你的功能性的模型，你有是子我J克，
但這時間在A特別的距離， D、
到帳戶為了這功能性的自然的這數據。
你是去到有A功能性的意思是學期，
A功能性的隨機的影響那對應到這部分，
A功能性的隨機的影響那對應到這操作員，
和A功能性的隨機的影響那對應到這叉學期
和也你的錯誤學期。
這裡，什麼時候你做這模型擴張，
它是A小的馬西,但本質上，
反而的擁有一變異數成分聯繫和這部分
和一變異數成分聯繫和這操作員，
你現在有多種的變異數成分聯繫和每個的那些事物。
那是去到帳戶為了這功能性的自然。
什麼時候你是配件這模型和估計這變異數成分，
喜歡我說，現在你是去到有這
放的變異數成分那你能和一起
到估計這功能性的變異數成分為了部分
和這相同的事物為了操作員和這叉學期。
一次你有全部那些個人變異數成分，
你能使用那些到估計這%量具休息與恢復只是喜歡在A標準MSA。
如何做我做這在JMP？
它是A多步流程那是概述這裡，
和那裡是一些更多的細節在其他幻燈片。
但本質上，我估計這意思是曲線在頻域DE和獲得這剩餘的曲線。
我然後模型這剩餘的曲線在頻域DE到獲得這本徵功能需要的
為了這本徵功能擴張的這功能性的模型
和節省那些本徵功能到這原來的數據桌子。
我是去到使用那些已儲存本徵功能在適合混合
到創造A隨機的效果模型
或者A混合的模型如果你也有固定的效果在你的數據。
我是去到使用築巢的這本徵功能公式列
和也這標竿和操作員變數
到定義這合適的模型規格。
這是什麼你的合身模型窗戶會看喜歡。
一次我做過全部那為了這數據，
我曾是有能力的到估計這變異數成分和計算這%量具休息與恢復，
哪個在這案件曾是3.3030。
這表明的一個可以接受測量系統
根據到一些範圍那是定義的在這紙經過巴倫團隊。
那曾是它為了這數據分析為了我的部分。
這結果曾是實際上非常相似的到A最壞的情況下設想
那曾是獲得在A推介會在2019.
它會是有趣的到知道如果那曾是A巧合
或者如果這結果會是相似的為了不同的數據作為出色地。
一些想法那這專案激怒了。
應該我們添加A功能性的隨機的影響為了ID
到捕獲這之內功能相關性穿過距離？
這類型的功能性的隨機的影響
是實際上真的重要的在功能性的數據
和是A大的益處的會計為了這功能性的自然的這數據。
很遺憾，在這數據在特別的。
任何時候我已創建A模型和這學期，
這相應的變異數成分是零，
所以它沒有真的捕獲任何事物額外的，但它會是有趣的
到看如果它可以是有用在不同的類型的數據。
我也思考它會是有趣的如果我們
可以計算A信心間隔為了這%量具休息與恢復。
那裡是也一些次要的，不是問題，
但帶來向上問題的這殘差在這隨機的效果模型。
我觀察到的A週期性的自然在那些。
那是不是總是偉大的。
我不思考它曾是A巨大的交易，
但我會喜歡到有A好的原因為了為什麼那曾是這案件。
那是它。 謝謝為了聽。
如果你想更多的細節在這專案,
它是非常相似的到A滿的30分鐘演講那我呈現在發現歐洲，
和所以那影片是在這社群作為出色地。
感謝你。
