Intervalle, différent dans JMP, DEVRAIT LOGIQUEMENT ÊTRE LE MÊME.Salut.
J'ai rencontré un problème et je m'excuse d'avance car cela peut être une question idiote.
pour faire simple, la situation est,
Les données sont
t={0,3,6,9,12}
y1={y11,y12,y13,y14,y15}
y2={y21,y22,y23,y24,y25}
y3={y31,....}
où y1, y2, y3 sont les numéros de lot (Lot number)
Il devrait donc y avoir 3 lignes de régression respectives.
J'ai testé la comparabilité des lignes et la conclusion était « Pente différente et interception différente »
J'ai donc placé les variables dans la plateforme Model Fit comme suit :
où G'=y et mois=t.
Les résultats étaient raisonnables jusqu’à ce que l’intervalle de confiance soit enregistré dans les colonnes.
Jusqu'à présent, la méthode ci-dessus est la méthode A.
Cependant, par une autre voie, la méthode B,
Les entrées sont les suivantes,
Les résultats globaux semblent les MÊMES mais,
L'intervalle de confiance est calculé DIFFÉREMMENT à partir de la méthode A.
(vous pouvez vous concentrer uniquement sur la dernière ligne, en comparant les valeurs aux données précédentes... il y a un énorme écart. 204 <> 247)
alors, ma question est,
Où se trouve la raison de cette différence ?
Pour être honnête, comme je laisse JMP traiter les DONNÉES comme « Pente différente et Interception différente » (bien sûr dans le cas des méthodes A et 
,
L'intervalle de confiance doit ressembler aux résultats de la méthode B.
Les intervalles de confiance de la méthode A sont très similaires entre les lots 1, 2 et 3.
S'il vous plaît aidez-moi.
Désolé pour la longue histoire et l'anglais.
Modélisation statistique avancéeAnalyse et modélisation de données de baseExploration et visualisation des donnéesIngénierie de la qualité et des procédésRé: Intervalle, différent dans JMP, LOGIQUEMENT DEVRAIT ÊTRE LE MÊME.Bonjour @MikeKim : Cela me semble confus car vous avez le mois comme « Y » dans la première plateforme Fit Model, et vous avez G' comme « Y » dans votre deuxième plateforme Fit Model. Mais je suppose qu'il s'agit d'une erreur typographique et que vous avez G' comme « Y » dans les deux cas.
La première méthode sera plus stricte car il y a plus de degrés de liberté pour l'erreur ; c'est-à-dire que la construction d'un seul modèle comme dans votre première boîte de dialogue (méthode A) entraîne des intervalles de confiance plus serrés car la taille de l'échantillon est plus grande. Si vous comparez les degrés de liberté pour l'erreur entre les deux modèles, vous verrez que l'erreur df (méthode A) est beaucoup plus grande que l'erreur df pour chaque lot (méthode . En fait, l'erreur df (méthode A) = la somme (sur tous les lots) de l'erreur df dans la méthode B. Cela a un impact direct sur la largeur de l'intervalle de confiance (le rend plus serré).
De plus, la méthode A utilise le MSE groupé (une sorte de MSE moyen de tous les lots).
Pour la méthode B, chaque lot a son propre MSE, ce qui peut également faire en sorte que chaque lot ait une largeur différente pour la méthode B, même si la taille de l'échantillon, etc. est la même pour chaque lot.
En résumé, la méthode A est l'analyse appropriée (elle suppose que l'erreur quadratique moyenne pour chaque lot est approximativement la même). Si les erreurs quadratiques moyennes sont très différentes (vous pouvez l'obtenir à partir de la méthode , la méthode B peut être un meilleur choix, à moins que vous n'ayez JMP Pro et que vous puissiez modéliser l'hétéroscédasticité (également appelée hétérogénéité de la variance https://en.wikipedia.org/wiki/Homoscedasticity_and_heteroscedasticity) . Graphiquement, vous pouvez évaluer cela en regardant les tracés résiduels et/ou les lignes de régression pour voir si la dispersion autour de chaque lot est similaire.
.
Ré: Intervalle, différent dans JMP, LOGIQUEMENT DEVRAIT ÊTRE LE MÊME.Malheureusement, je ne parviens pas à comprendre entièrement la solution.
Peut-être parce que mon explication n'était pas assez bonne
ou mon expérience n'est pas suffisante pour comprendre.
Pour être simple, ma question était
la méthode A et la méthode B sont toutes deux désignées comme « Interception différente, pente commune » (car elles sont le résultat de la « plate-forme de dégradation »)
Donc, logiquement, ils devraient montrer le même résultat.
De toute évidence, ce n'est pas le cas et vous dites qu'il existe une autre variable « MSE » qui a un impact sur la largeur de l'IC ?
et, il semble que je ne puisse pas modifier l'hypothèse « MSE » lorsque j'utilise la version normale de JMP ?
Mon niveau de statistiques n'est pas un diplôme universitaire, donc j'espère vraiment pouvoir comprendre en suivant vos explications plus approfondies.
Merci.
Ré: Intervalle, différent dans JMP, LOGIQUEMENT DEVRAIT ÊTRE LE MÊME.Bonjour @MikeKim : je ne savais pas que vous utilisiez la plateforme de dégradation. Dans la plateforme de dégradation (test de stabilité), choisissez l'option suivante (Utiliser le MSE groupé pour le modèle non groupable). Cela fera l'affaire et donnera lieu à des intervalles plus serrés. Est-ce que cela a du sens et est-ce ce que vous recherchez ?
Ré: Intervalle, différent dans JMP, LOGIQUEMENT DEVRAIT ÊTRE LE MÊME.Salut, @MRB3855 :
Eh bien, ce n'est pas désolé.
Il n’est pas naturel de vérifier « Utiliser l’MSE groupé » dans la perspective d’une analyse minutieuse et naïve.
Fondamentalement, je veux le baser sur les résultats de la plateforme de dégradation. (Interception différentielle, pente Com)
Cependant, la courbe CI dans la plate-forme de dégradation ne peut pas présenter la valeur f(t) spécifique sauf au point où elle atteint la limite de spécification.
L’essentiel est donc de dessiner le même CI que la plateforme de dégradation via une autre plateforme.
Le problème actuel est qu’aucune des méthodes A ni B que j’ai présentées ne dessine la même forme que la plate-forme de dégradation.
Ré: Intervalle, différent dans JMP, LOGIQUEMENT DEVRAIT ÊTRE LE MÊME.Bonjour @MikeKim : J'ai essayé certaines de mes données et les intervalles de prédiction, etc. étaient les mêmes pour les deux plates-formes. Pouvez-vous fournir des images ou des données qui montrent exactement ce que vous faites et ce que vous comparez ? Le modèle tel que vous le décrivez est une « interception différente avec une pente commune ». Ainsi, dans la plate-forme Fit Model, vous ne devriez avoir aucun terme d'interaction ; et dans la plate-forme Stability, vous devriez toujours choisir Use Pooled MSE for Nonpoolable Model comme je l'ai décrit ci-dessus (bien que cela ne fasse une différence que pour le modèle « non poolable » Different Intercept et Different Slope).
Ré: Intervalle, différent dans JMP, LOGIQUEMENT DEVRAIT ÊTRE LE MÊME.Salut, @MRB3855
Merci de votre aide !
J'ai essayé de comprendre tout le contenu lié à mon problème et j'ai échoué.
Permettez-moi d’essayer de résumer et de réexpliquer ma question comme suit.
Je suis désolé, je ne peux pas joindre de vrai fichier.
figure 1
ce sont des données
fig 2 plate-forme de dégradation
gauche : utiliser le MSE groupé (décocher)
droite : utiliser le MSE groupé (vérifier)
figure 3
gauche : ajuster y par x : alpha 0,1 CI est exactement le même que le MSE groupé (décocher)
droite : modèle d'ajustement : impossible de dessiner la figure CI
Donc, en résumé, voici mes problèmes.
1. Comment consolider la figure 3 de gauche en un seul graphique contenant 3 lignes et leur CI respectif ?
2. Comment dessiner le CI sur la figure 3 à droite ?
3. Comment appliquer le MSE groupé à la figure 3 de gauche et à la figure 3 de droite ? (à la même figure que la figure 2 de droite)
4. Il y a l'option Enregistrer la colonne (dans le triangle rouge) dans la figure 3 à droite (pour voir la valeur CI dans le tableau)
Cependant, ils ont toujours été fixés à alpha = 0,05, dans ce cas j'ai besoin d'alpha = 0,1 puisque la dégradation d'origine affiche 0,1 CI.
Alors, comment puis-je changer alpha 0,05 à 0,1 dans la figure 3, n'est-ce pas ? (veuillez vérifier cela dans la figure 4 ci-dessous)
5. Quelle est l'explication pratique (signification pratique dans le domaine du laboratoire) de la vérification de l'utilisation du MSE groupé ?
(La réponse à la question du collègue, « qu'est-ce que l'utilisation du pooled mse ? »)
figure 4
Merci beaucoup!
Ré: Intervalle, différent dans JMP, LOGIQUEMENT DEVRAIT ÊTRE LE MÊME.Salut @MikeKim : je vais essayer de répondre à ces questions.
Fig 2 : c'est comme ça que ça devrait être.
Fig 3 : c'est comme cela que cela devrait être (la plateforme Fit Model n'affiche pas les intervalles de confiance)
1. Comment consolider la figure 3 de gauche en un seul graphique contenant 3 lignes et leur CI respectif ? Vous devrez enregistrer les prédictions et les intervalles dans votre tableau de données et utiliser le générateur de graphiques. Ce sera le même que la figure 2 de gauche.
2. Comment dessiner le CI sur la figure 3, à droite ? Vous devrez enregistrer les prédictions et les intervalles dans votre tableau de données et utiliser le générateur de graphiques.
3. Comment appliquer le MSE groupé aux figures 3 de gauche et 3 de droite ? (à la même figure que la figure 2 de droite). Là encore, vous devrez enregistrer les prédictions et les intervalles dans votre tableau de données et utiliser le générateur de graphiques.
4. Il y a l'option Enregistrer la colonne (dans le triangle rouge) dans la figure 3 à droite (pour voir la valeur CI dans le tableau)
Cependant, ils sont toujours fixés à alpha = 0,05, dans ce cas j'ai besoin d'alpha = 0,1 puisque la dégradation d'origine affiche 0,1 CI.
Alors, comment puis-je changer l'alpha de 0,05 à 0,1 dans la figure 3, n'est-ce pas ? (veuillez vérifier cela dans la figure 4 ci-dessous). Dans la boîte de dialogue Ajuster le modèle, il y a un triangle rouge à côté de Spécification du modèle. Si vous cliquez dessus, vous pouvez « définir le niveau alpha ».
5. Quelle est l'explication pratique (signification pratique dans le domaine du laboratoire) de la vérification de l'utilisation du MSE groupé ?
(La réponse à la question du collègue, "qu'est-ce que l'utilisation de l'erreur quadratique moyenne en pool ?"). J'ai expliqué la mise en commun de l'erreur quadratique moyenne dans ma réponse initiale. L'erreur quadratique moyenne est l'erreur quadratique moyenne. C'est une estimation de la variance, et la variance est la
(Écart type)^2. Chaque ligne a son propre MSE. Le MSE de chaque ligne est la (somme des erreurs au carré)/(N-2). La somme des erreurs au carré (SSE) est la somme des différences au carré entre la ligne et les données. SSE est la somme des résidus au carré. Voir le graphique ci-dessous.
Ainsi, si la dispersion des données autour de la ligne est serrée, alors le MSE sera très faible (comme le lot bleu de la figure 2). Si la dispersion des données autour de la ligne est plus grande, alors le MSE sera plus grand (comme le lot rouge de la figure 2).
La mise en commun des MSE peut être considérée comme une prise de moyenne des MSE pour obtenir un « MSE groupé » dans le but de calculer les intervalles de confiance, etc. Si vous ne regroupez pas, chaque lot utilisera son propre MSE pour calculer les intervalles de confiance via l'équation ci-dessous.
Alors, est-il préférable de regrouper les données ? Eh bien, cela dépend. D'un point de vue statistique, si les MSE sont similaires, regroupez-les. S'ils ne sont pas similaires, vous devez essayer de comprendre pourquoi. En examinant vos données, le lot bleu semble beaucoup moins variable (MSE beaucoup plus faible que les autres lots), le regroupement n'est donc peut-être pas approprié. Si vous regroupez les MSE, la largeur des trois intervalles (autour de chaque lot) sera la même (chacun utilisant le MSE groupé, ou « moyen », et ne reflétera pas le fait que le lot bleu est moins variable. Si vous n'utilisez pas le MSE groupé, le lot bleu aura alors un intervalle beaucoup plus serré (comme le montre la figure 3 à gauche) car il utilise son propre MSE.
J'espère avoir compris vos questions, j'espère avoir été utile... et j'espère qu'il n'y a pas trop de fautes de frappe !
Ré: Intervalle, différent dans JMP, LOGIQUEMENT DEVRAIT ÊTRE LE MÊME.Bonjour, @MRB3855
Je ne parviens pas à apprécier cette aide.
J'ai trouvé beaucoup de connaissances et j'en suis très heureuse.
Malheureusement, je n'ai aucune expérience avec le Graph Builder.
Jusqu'à présent, je suis arrivé à ce point (à partir de la plate-forme de dégradation avec l'option Utiliser le MSE en pool cochée), je sais où se trouve la plate-forme Graph Builder,
et je n'ai aucune idée de comment dessiner les lignes et les CI.
Est-ce que ça te dérangerait de m'aider enfin ?
Merci beaucoup!!
Ré: Intervalle, différent dans JMP, LOGIQUEMENT DEVRAIT ÊTRE LE MÊME.Bonjour @MikeKim . Graph Builder est l'une des plateformes les plus puissantes de JMP, et c'est l'une de mes préférées.
Cependant, je ne peux pas le faire pour vous. Et je ne pense pas qu'il soit possible de vous le montrer sur ce forum.
je peux cependant vous dire de quelles colonnes supplémentaires, etc. vous pourriez avoir besoin et vous orienter vers certaines ressources.
1. Dans la plateforme Fit Model et la plateforme Fit Y by X, respectivement comme indiqué dans la figure 3, enregistrez la formule de prédiction et les formules d'intervalle de confiance. Les intervalles de confiance de chaque lot de Fit Y by X utiliseront chacun leur propre MSE. Les intervalles de confiance de chaque lot de Fit Model utiliseront le même MSE groupé.
2. Ajoutez plusieurs lignes à vos données, mais laissez Y manquant. Pour ces nouvelles lignes, incluez le lot et le mois. Mais, pour chaque lot, les mois doivent être des mois où vous n'avez aucune donnée. 1, 2, 4, 5, 7, 8, etc. Cela permettra à vos tracés finaux d'être plus fluides.
3. Voici une ressource sur la façon d’utiliser Graph Builder. Il faudra peut-être un peu de temps et de pratique pour obtenir exactement ce que vous voulez… mais ce sera du temps bien investi.
https://www.jmp.com/en_gb/learning-library/topics/graphical-displays-and-summaries/graph-builder.html
Ré: Intervalle, différent dans JMP, LOGIQUEMENT DEVRAIT ÊTRE LE MÊME.Salut, @MRB3855
Je suis tellement heureuse maintenant
J'ai finalement réussi en suivant vos indications.
Jetez un oeil au résultat.
Il y a des choses à réparer pour être plus joli, mais ils ont atteint les objectifs initiaux !!!
Je vais continuer et enquêter davantage, merci beaucoup !
