| Transkript |
| Hallo, mein Name ist Chris Gotwalt. Meine Co-Moderatorin ist Hadley. |
| Myers und ich stellen ein Add-in zur Verbesserung der Leistung vor. |
| Konfidenzintervalle für Summen oder lineare Kombinationen von Varianzen |
| Komponenten. Dies ist Teil einer Vortragsreihe, die wir gehalten haben als |
| Wir arbeiten an der Verbesserung und Bewertung verschiedener Ansätze. |
| Ermittlung von Konfidenzintervallen für Summen von Varianzkomponenten |
| ist für die Qualität wichtig, weil sie eine Unsicherheit bietet. |
| Bewertung der Wiederholbarkeit und Reproduzierbarkeit unserer |
| Messsystem. Das Problem ist, dass, wenn wir nach 95 % fragen, |
| Konfidenzintervall, es werden Näherungen verwendet und die |
| Die tatsächliche Intervallabdeckung kann nur 80 % betragen. |
| In unseren vorherigen Studien haben wir festgestellt, dass zwei Methoden |
| verbesserte Abdeckungsraten, parametrisches Bootstrapping und |
| Satterthwaite-Intervalle, aber es waren immer noch weniger als 95 % in kleinen |
| Beispiele. Die frühere Version des Add-ins implementierte die |
| Parametrischer Bootstrap als Notlösung und Elizabeth Claassen |
| Die Satterthwaite-Intervalle wurden in Fit Mixed implementiert. |
| Die Plattform ist nativ in JMP Pro 16 integriert. Ich möchte hier aufhören, um Folgendes zu geben: |
| Elizabeth Claassen gebührt die Anerkennung für die Entwicklung der Intervallschätzung. |
| Lineare Kombinationen von Varianzkomponenten sind dadurch viel einfacher und |
| JMP Pro 16. Außerdem erweiterte sie die Ausgabe des gemischten Modells erheblich. |
| was diese Präsentation erheblich erleichtert hat. Ich hoffe auch |
| dass diese Präsentation als Inspiration dienen wird |
| andere sollen diese neuen Speicherbefehle ausprobieren, damit sie sie erhalten |
| Mehr zu den Mixed-Model-Funktionen von JMP Pro. Jetzt werden wir |
| Die beiden Ansätze werden mithilfe einer Technik namens Bootstrap kombiniert. |
| Die Intervallkalibrierung, die 1991 von Loh eingeführt wurde |
| Artikel in Statistica Sinica. Bootstrap-Kalibrierung ist eine sehr |
| allgemeines Verfahren zur Verbesserung der Vertrauensbasis |
| Intervalle, die auf nahezu jede parametrische Funktion angewendet werden können |
| Statistisches Modell. Ich werde die Grundidee vorstellen. |
| Bootstrap-Intervallkalibrierung in den einfachsten Worten, die ich |
| kann, und übergibt das Mikrofon an Hadley, die nun die Demo vorführen wird |
| Fügen Sie die Ergebnisse hinzu und diskutieren Sie unsere Simulationsergebnisse. Um dies zu ermöglichen |
| Ganz einfach, machen wir es konkret. Betrachten wir ein sehr kleines verschachteltes |
| Eine Studie vom Typ Gauge R&R, bei der wir den Gesamtbetrag schätzen wollen |
| Variation. Wir sammeln die Daten und führen eine verschachtelte Varianzanalyse durch. |
| Komponentenmodell mit einem Operatoreffekt, ein Teil innerhalb |
| Bedienereffekt und Resteffekt. Die Software meldet einen |
| Satterthwaite-basiertes Intervall auf dem Gesamtwert. Es ist bekannt, dass |
| Dies ist eine Näherung, die von einem „großen“ Wert ausgeht. |
| Es ist eine bestimmte Datenmenge vorhanden, damit die tatsächliche Abdeckung gewährleistet ist. |
| Das Intervall sollte nahe bei 95 % liegen. |
| Bei kleinen Stichproben ist die tatsächliche Abdeckung die Wahrscheinlichkeit, dass die |
| Die Intervallprozedur erzeugt Intervalle, die tatsächlich enthalten |
| Der wahre Wert der geschätzten Größe wird tendenziell geringer sein. |
| als 95 %. Fakt ist, dass die tatsächliche Intervallabdeckung ein |
| komplizierte Funktion der Konstruktion, wahre Werte von |
| die Funktionen und eine lange Liste weiterer Annahmen, die schwer zu erfüllen sind |
| oder unmöglich zu überprüfen. Was wir aber tun können, ist, die angepasste Version zu verwenden. |
| Modell und deren Parameter, um ein parametrisches Bootstrap-Verfahren durchzuführen. Wenn wir |
| Wenn wir das tun, kennen wir den wahren Wert der Größe, die wir betrachten. |
| Wir haben den Wert geschätzt, weil wir mit diesem Wert simuliert haben. |
| Wir können die Simulation tausende Male durchführen. Wir wenden die |
| Der gleiche Modellanpassungsprozess wurde auf alle simulierten Proben angewendet. |
| Die Intervalle können von JMP erfasst und berechnet werden, wie oft |
| Sie enthalten den Erzeugungswert der Menge, die Sie |
| Wir waren daran interessiert. In diesem Fall waren wir an der Summe aller |
| Die Varianzkomponenten, daher beträgt der wahre Wert 4,515. |
| Angenommen, wir nehmen unseren ursprünglichen Datensatz und die Schätzwerte, |
| Verwenden Sie die Simulationsspeicherformel, die von Fit Mixed stammt. |
| und erzeugte eine große Anzahl neuer Datensätze und wandte die |
| denselben Modellanpassungsprozess, den wir hier auf jeden von ihnen angewendet haben. |
| und wir haben alle Konfidenzintervalle gesammelt, die |
| Es wurde der Gesamtbetrag gemeldet. Angenommen, nachdem dies geschehen ist, |
| dass...die geschätzte Abdeckung, die geschätzte Anzahl |
| von Zeiten, in denen diese Intervalle tatsächlich die Wahrheit enthielten, |
| Es stellte sich heraus, dass es 88 % waren. |
| Wir wollten also dieses 95%-Intervall, aber der Bootstrap |
| Das Verfahren zeigt uns, dass die tatsächliche Abdeckung eher bei |
| 88 %. Jetzt können wir ein kleines Spiel spielen und das wiederholen. |
| Parametrischer Bootstrap mit einem 99%-Intervall. Also los geht's. |
| Durch diesen Prozess wiederholen wir alle Bootstrap-Intervalle und |
| Bei der Berechnung des 99%-Intervalls ergibt sich eine tatsächliche Abdeckung von |
| ungefähr 98 %. Nehmen wir nun an, wir würden dieses Spiel immer und immer wieder spielen. |
| so lange, bis wir ein Alpha gefunden hatten |
| mit einer tatsächlichen Abdeckung von etwa 95 %. |
| Nehmen wir an, wir hätten das getan und wären zu dem Ergebnis gekommen, dass 97,6 % |
| Als wir nach einem 97,6%-Intervall fragten, erhielten wir tatsächlich |
| etwa eine Abdeckung von 95%. |
| Dann können wir 1 minus Alpha mithilfe der Fit-Funktion auf 0,976 setzen. |
| Dialog zum Starten des Modells, Option „Alpha“ festlegen und Sie erhalten ein |
| Intervall, das per Bootstrap kalibriert wurde, um |
| Die ungefähre Abdeckung beträgt 95 %. Dies ist jedoch nur eine Annäherung. |
| ist immer noch eine Simulationskomponente, sowie eine tiefere |
| eine zugrundeliegende Näherung, die außerordentlich schwer zu analysieren ist. |
| Aber es kann benutzerfreundlich gestaltet werden, und genau hier kommt Hadley ins Spiel. |
| Jetzt übergebe ich es ihm und er wird es vorführen. |
| Füge die Simulationen hinzu und gehe sie durch, die er durchgeführt hat. |
| zeigen, dass wir bessere Abdeckungsraten erzielen können als |
| zuvor durch Anwenden von Bootstrap |
| Kalibrierung auf Satterthwaite-Intervalle bei linearen Kombinationen |
| der Varianzkomponenten. Bühne frei für Hadley. |
| Vielen Dank, Chris, und hallo an alle, die online zusehen. |
| Wo auch immer Sie sich befinden. Ich werde Ihnen also zunächst zeigen, wie das Add-in funktioniert. |
| funktioniert und wie Sie es zur Berechnung von Bootstrap Calibration verwenden können |
| Konfidenzintervalle für Zufallskomponenten in gemischten Modellen in |
| JMP Pro 16. |
| Und von da an machen wir einen Schritt zurück. Wir werden sehen, wie sich das Add-in auswirkt. |
| führt diese Berechnungen durch und ich werde einige der Ergänzungen hervorheben. |
| zu gemischten Modellen in JMP Pro 16, die dies ermöglichen. |
| Anschließend zeige ich Ihnen die Ergebnisse einiger Simulationen. |
| Studien, um Ihnen eine Vorstellung davon zu geben, wie genau dies ist |
| Die Intervallschätzmethode ist die Bootstrap-Kalibrierung. |
| Methode und wie sie sich im Vergleich zu einigen anderen Methoden verhält für |
| Berechnung von Konfidenzintervallen sowie die Situationen, in denen dies der Fall ist. |
| mehr oder weniger genau und einige der Einschränkungen und Dinge, die Sie |
| Sie sollten sich darüber im Klaren sein, wenn Sie es anwenden werden. |
| Wir werden Möglichkeiten zur Verbesserung in zukünftigen Arbeiten besprechen. |
| Nur ganz kurz, und anschließend zeige ich Ihnen zum Schluss Folgendes: |
| neuer MSA-Designer, Designer für Messsystemanalysen |
| ist über das DOE-Menü in JMP Pro 16 verfügbar, sodass Sie schnell darauf zugreifen können. |
| und können Ihre eigenen MSA-Messgeräte-R&R-Systeme einfach entwerfen und analysieren. |
| Studien. Beginnen wir also mit einem Blick auf diesen Datensatz. |
| Dies ist ein Beispiel, das ich aus den Beispieldatendateien entnommen habe. |
| Ich werde jetzt dieses Fit-Mix-Skript ausführen, das ich gespeichert habe. |
| Was wir hier haben, sind unsere zufälligen Schätzungen, Schätzungen. |
| für zufällige Komponenten. |
| Jetzt. |
| Es könnte sein, dass Sie aus irgendeinem Grund eine Berechnung durchführen möchten. |
| Zwischensumme, zum Beispiel Bediener und Teil verschachtelt mit |
| Bediener, oder die drei davon, |
| Sie wissen schon, Operator und Residuum. |
| Die Berechnung ist also ganz einfach, wir addieren einfach diese Werte. |
| Schätzungen, aber die Bestimmung dieser Werte ist nicht so einfach. |
| Konfidenzintervalle. |
| In Version 16 wurde eine neue Funktion für gemischte Modelle hinzugefügt. |
| Die Linearkombination von |
| Die lineare Kombination der Varianzkomponentenmerkmale |
| Genau hier, und Sie können also darauf klicken. |
| Sie können die Kombination der Varianzkomponenten auswählen, die Sie interessiert. |
| Und Sie können auf „Fertig“ klicken. Damit haben wir nun eine Schätzung dafür. |
| Komponenten sowie deren |
| Konfidenzintervalle. Also, |
| Was ich jetzt tun werde, ist Folgendes: Ich werde diesen einen Schritt machen. |
| weiter und ich werde den Bootstrap berechnen. |
| Kalibrierte Satterthwaite-Schätzungen und das werde ich tun bis |
| Ich gehe zu meinen Add-Ins und klicke auf Bootstrap Calibrated. |
| Dort gibt es Konfidenzintervalle. Von hier aus können wir also die Konfidenzintervalle schätzen. |
| Anzahl der Simulationen. |
| 2500 ist ein |
| Empfohlene Nummer zur Standardnummer. Es ist auch die |
| Standardzahl in einigen anderen Simulationsplattformen und |
| in JMP Pro. Ich werde auswählen |
| Dieses hier. Man sollte jedoch beachten, dass es einige Zeit in Anspruch nimmt. |
| Es braucht Zeit, um dies tun zu können, und daher im Interesse der Zeit |
| Ich werde es vorzeitig beenden. |
| Und hier haben wir unser |
| Kalibrierte Intervalle, kalibrierte obere und untere Konfidenzgrenze |
| Dem Bericht wurden Beschränkungen hinzugefügt. |
| Lasst uns also einen Schritt zurücktreten und sehen, was dort passiert ist. |
| Ich werde das jetzt noch einmal hinzufügen. |
| Nun, eine Sache, die das Add-in |
| tut es, sobald Sie es ausführen. |
| Es fügt hinzu |
| diese Simulationsformel in die Datentabelle einfügen, damit Sie sehen können, |
| Die Simulationsformel finden Sie hier. |
| Wenn das Add-In geschlossen wird, |
| Die Simulationsformel verschwindet. |
| Die dortige Simulationsformel nutzt einen anderen Vorteil |
| Funktion, die hinzugefügt wurde zu... |
| zur Plattform „Gemischte Modelle“ in JMP Pro, und das ist die Speicherfunktion. |
| Funktion der Simulationsformel |
| hier. Dadurch könnten Sie Folgendes speichern: |
| Simulationsformel und dann zu |
| Verwenden Sie das beispielsweise, um Folgendes zu simulieren |
| Diese Werte hier. Wir können also unser „Y“ durch unser „Y“ ersetzen. |
| neue Simulationsformel |
| Führen Sie das nun aus. Wenn Sie also das Add-In ausführen, ist Folgendes passiert: |
| Alles geschieht im Hintergrund. Aber so funktioniert das Add-in. |
| Es geht um die Berechnung dieser Intervalle. Deshalb werde ich jetzt aufhören. |
| so früh, wiederum aus Zeitgründen. |
| Und nun sehen wir hier die Beispiele. |
| Für jeden Wert wurde eine Schätzung vorgenommen. |
| Simulation. Und so funktioniert das Add-in: |
| Es braucht all das. |
| Und es berechnet neue Schätzwerte für die obere und |
| niedrigere Satterthwaite-Intervalle von diesem |
| Schätzung und dieser Standardfehler, Austausch verschiedener |
| Werte für Alpha. Wir peilen also 0,05 an, richtig? |
| Damit wir die oberen und unteren 95%-Grenzen erhalten und was es |
| Es findet, was es tut. |
| Ein Alpha-Wert, der zu einer 95%igen Abdeckung führt, also zu 95% Treffern. |
| und 5 % Fehlschläge, |
| Wenn man das einbaut, erhält man seine kalibrierten Intervalle. |
| Ich hoffe, es hat Ihnen gefallen. Ich hoffe, es ist hilfreich für Sie. |
| Wir haben einige Simulationsstudien durchgeführt und Folgendes herausgefunden: |
| ist das |
| die Intervalle, die Sie hier für vier Operatoren sehen können. |
| und 12 Tage als unsere Zufallskomponenten, |
| Wir haben Fehlschüsse von etwa |
| 7 %, also eine Trefferquote von 92,8 %. Das ist besser als alle anderen. |
| andere, einschließlich dieser, also die Linearkombination, die ist |
| einfach das Standard-Satterthwaite-Intervall |
| berechnet auf Basis der Kombination linearer Komponenten sowie der |
| Bootstrap-Quantile, die bias-korrigierten Intervalle in der |
| bias-korrigierte und beschleunigte Intervalle, aber wie Sie sehen werden |
| Diese Intervalle verbessern sich, alle. |
| wenn Sie die Anzahl Ihrer Operatoren erhöhen |
| 4 bis 8 und die Anzahl der Tage von 12 bis 24. Also die Erhöhung der |
| Niveaus dieser Zufallskomponenten |
| das Ergebnis ist viel besser, viel mehr |
| genaue Schätzungen für die Konfidenzintervalle, und so weiter |
| dass wir jetzt haben |
| eine Methode hier |
| das ist gleichwertig |
| einfach, zu einem |
| Alpha-Wert von 0,05. |
| Diese Leistungsverbesserung kommt also natürlich zustande bei |
| Ein Kostenfaktor, und einer dieser Kostenfaktoren ist die Länge der Intervalle. |
| Und das können Sie hier sehen, |
| dass mit unserem |
| Bootstrap-kalibriert, und zwar tatsächlich mit allen unseren Intervallen. |
| dass wenn wir eine zunehmende Anzahl von Operatoren haben, |
| dass die Länge des Intervalls viel größer ist |
| ist näher an 0 gebündelt als bei kleineren Mengen. |
| Anzahl der Operatoren. Man kann sehen, dass dies stark ausläuft. |
| Außerdem gibt es da diesen blauen Bereich. Das trifft zu für |
| alle, aber das gilt insbesondere für die |
| Bootstrap-kalibriertes Intervall. Sie können dies sehen. |
| Hier gibt es einen langen Schwanz. |
| Im Durchschnitt erzielt man damit größere Längen. |
| Es gibt zwar eine Methode, aber Sie haben eine genauere Methode. |
| Wenn man das etwas genauer betrachtet, kann man hier sehen |
| dass diese Längenzunahme für vier Operatoren gilt, |
| sowie acht Operatoren, und das ist von Bedeutung. |
| Statistisch signifikant. |
| Das andere, was ich mir angesehen habe, |
| ist der Effekt der Hinzufügung von Wiederholungen, daher der Unterschied |
| zwischen zwei und fünf Wiederholungen, und was Sie sehen werden |
| Hier liegt das Problem: Es gibt wirklich keins. |
| Unterschied. Also, wenn man hinüberschaut |
| die verschiedenen Kombinationsmöglichkeiten von |
| vier Bediener und zwei Vertreter bis vier Bediener und fünf Vertreter, etwa 6 |
| Messungen insgesamt im Vergleich zu 3 Messungen, das ist uns eigentlich egal. |
| Man gewinnt dadurch nichts. All diese Dinge sind gleichwertig. |
| Das ist also etwas, dessen man sich bewusst sein sollte, dass man Verbesserungen sieht in |
| Genauigkeit bei Erhöhung der Anzahl der Bediener, und Sie |
| Ich sehe keine Verbesserungen, wenn ich die Anzahl erhöhe |
| Wiederholungen. |
| Eine Sache, die ich als |
| Die Möglichkeit, diese Ergebnisse zu verbessern, besteht darin, |
| Fractional Random Weight Bootstrap, den wir hätten |
| Ich hätte es gerne rechtzeitig umgesetzt, |
| diese Konferenz. Das konnten wir nicht tun, diese |
| und um es auf zufällige Varianzkomponenten anzuwenden, und so weiter |
| Ich hoffe, das in zukünftigen Arbeiten umsetzen zu können und vielleicht sogar |
| Eine Verbesserung gegenüber dem Bootstrap-kalibrierten Intervall ist ersichtlich. |
| Und dann noch etwas anderes, das ich hervorheben möchte, bevor ich |
| „Go“ ist das neue |
| Der MSA-Designer wurde in JMP 16 hinzugefügt, und so |
| Von hier aus können wir Folgendes tun: Wir können sehr schnell |
| Wir müssen unser eigenes Design erstellen, um dazu in der Lage zu sein. |
| führen wir unsere eigene MSA durch oder |
| Analyse der Messinstrumente (Instrumenten-R&R-Analyse). Mal sehen, ich werde das mit dreien machen. |
| Bediener und fünf Teile. |
| Ich werde diese beschriften. |
| A, B und C. |
| Und wir wiederholen jede Übung einmal. Das sind also zwei. |
| Messungen insgesamt. |
| Hier haben wir also eine Tabelle mit unseren |
| Design. Ich kann diesen Knopf drücken, um sehr |
| Senden Sie das schnell an die verschiedenen Bediener, |
| Bitte füllen Sie die entsprechenden Abschnitte aus und senden Sie mir das Ergebnis zurück. |
| Und dann kann ich hinzufügen |
| diese Ergebnisse zusammen. |
| Ich werde das jetzt sortieren, weil ich hier drüben noch eine andere Tabelle habe. |
| Dort habe ich das bereits im Voraus erledigt. Ich werde also einfach diese hinzufügen. |
| Die Werte dort drüben. Und nun aus den Skripten innerhalb der Tabelle ... |
| können schnell und einfach unsere eigene Messsystemanalyse durchführen. |
| und Gauge R&R. Ich hoffe, das war hilfreich. |
| Ich genieße weiterhin die Vorträge auf dieser Konferenz. Vielen Dank. |
| Vielen Dank fürs Zuhören. |
