| Trascrizione |
| Ciao, mi chiamo Chris Gotwalt. Il mio co-presentatore è Hadley |
| Myers e io stiamo presentando un componente aggiuntivo per ottenere un miglioramento |
| intervalli di confidenza su somme o combinazioni lineari di varianza |
| componenti. Questo fa parte di una serie di discorsi che abbiamo tenuto come |
| lavoriamo per migliorare e valutare diversi approcci. |
| Ottenere intervalli di confidenza sulle somme delle componenti della varianza |
| è importante nella qualità perché fornisce un'incertezza |
| valutazione sulla ripetibilità e riproducibilità del nostro |
| sistema di misurazione. Il problema è che quando chiediamo un 95% |
| intervallo di confidenza, sono coinvolte approssimazioni e |
| la copertura effettiva dell'intervallo può arrivare fino all'80%. |
| Nei nostri studi precedenti, abbiamo scoperto che due metodi hanno |
| tassi di copertura migliorati, bootstrapping parametrico e |
| intervalli di Satterthwaite, ma era ancora inferiore al 95% in piccoli |
| campioni. La versione precedente del componente aggiuntivo implementava il |
| bootstrap parametrico come soluzione provvisoria ed Elizabeth Claassen |
| implementato gli intervalli di Satterthwaite nel Fit Mixed |
| piattaforma in modo nativo in JMP Pro 16. Voglio fermarmi qui per dare |
| Elizabeth Claassen si è guadagnata il merito di aver effettuato la stima dell'intervallo di |
| combinazioni lineari di componenti di varianza molto più semplici e |
| JMP Pro 16. Ha inoltre notevolmente ampliato l'output del modello misto, |
| che ha reso questa presentazione molto più semplice. Spero anche |
| che questa presentazione servirà da ispirazione per |
| altri a controllare questi nuovi comandi di salvataggio in modo che possano ottenere |
| di più dalle funzionalità del modello misto di JMP Pro. Ora andremo a |
| combinare i due approcci utilizzando una tecnica chiamata Bootstrap |
| Calibrazione dell'intervallo introdotta da Loh nel 1991 |
| Articolo di Statistica Sinica. La calibrazione Bootstrap è molto |
| procedura generale per migliorare la copertura della fiducia |
| intervalli che possono essere applicati a quasi tutti i parametri |
| modello statistico. Introdurrò l'idea di base di |
| Calibrazione dell'intervallo di bootstrap nei termini più semplici che io |
| può, e passa il microfono a Hadley, che farà una dimostrazione del |
| componente aggiuntivo e discutere i risultati della nostra simulazione. Per rendere questo |
| semplice, rendiamolo specifico. Consideriamo un piccolissimo nidificato |
| Studio di tipo Gauge R&R in cui vogliamo stimare il totale |
| variazione. Raccogliamo i dati ed eseguiamo una varianza annidata |
| modello di componenti con un effetto Operatore, una Parte all'interno |
| Effetto operatore e un effetto residuo. Il software segnala un |
| Intervallo basato su Satterthwaite sul totale. È noto che |
| questa è un'approssimazione che presuppone un "grande" |
| quantità di dati è presente affinché la copertura effettiva di |
| l'intervallo deve essere vicino al 95%. |
| In piccoli campioni, la copertura effettiva, la probabilità che il |
| la procedura di intervallo genera intervalli che contengono effettivamente |
| il valore reale della quantità stimata, tenderà ad essere inferiore |
| del 95%. Il fatto è che la copertura effettiva dell'intervallo è un |
| funzione complicata del design, valori reali di |
| le funzioni e un lungo elenco di altre ipotesi che sono difficili da |
| o impossibile da verificare. Ciò che possiamo fare però è utilizzare il montato |
| modello e i loro parametri per eseguire un bootstrap parametrico. Quando noi |
| facendo questo, conosciamo il vero valore della quantità che stiamo |
| stimando perché stavamo simulando utilizzando quel valore. |
| Possiamo ripetere la simulazione migliaia di volte. Applichiamo il |
| stesso processo di adattamento del modello a tutti i campioni simulati. Noi |
| può raccogliere gli intervalli da JMP e calcolare la frequenza |
| contengono il valore generatore della quantità che tu |
| eravamo interessati. In questo caso eravamo interessati alla somma di tutti |
| le componenti della varianza, quindi il valore reale è 4,515. |
| Supponiamo di prendere il nostro set di dati originale, di prendere le stime, |
| utilizzare la formula di simulazione di salvataggio che deriva da Fit Mixed, |
| e ha generato un gran numero di nuovi set di dati e ha applicato il |
| lo stesso processo di adattamento del modello che abbiamo applicato qui a ciascuno di essi, |
| e abbiamo raccolto tutti gli intervalli di confidenza che erano |
| riportato intorno al totale. Dopo aver fatto questo, supponiamo |
| che che...la copertura stimata, il numero stimato |
| di volte in cui questi intervalli contenevano effettivamente la verità, |
| si è rivelato essere l'88%. |
| Quindi volevamo quell'intervallo del 95%, ma il Bootstrap |
| la procedura ci dice che la copertura effettiva è più vicina a |
| 88%. Ora possiamo fare un piccolo gioco e possiamo ripetere il |
| Bootstrap parametrico utilizzando un intervallo del 99% questa volta. Quindi andiamo |
| attraverso questo processo, ripetiamo tutti gli intervalli di bootstrap e |
| quando abbiamo fatto l'intervallo del 99% otteniamo una copertura effettiva di |
| circa il 98%. Ora supponiamo di ripetere questo gioco più e più volte |
| di nuovo finché non abbiamo trovato un alfa |
| con una copertura effettiva di circa il 95%. Quindi in questo |
| caso, supponiamo di farlo e di finire con il trovare che il 97,6% |
| quando abbiamo chiesto un intervallo del 97,6%, in realtà abbiamo ottenuto |
| una copertura pari a circa il 95%. |
| Quindi quello che possiamo fare è impostare 1 meno alfa a 0,976 usando Fit |
| Dialogo di avvio del modello, imposta l'opzione alfa e otterrai un |
| intervallo che è stato calibrato tramite Bootstrap per avere |
| copertura approssimativa del 95%. Questa è ancora un'approssimazione. C'è |
| è ancora una componente di simulazione, così come una più profonda |
| approssimazione di fondo che è straordinariamente difficile da analizzare, |
| ma può essere reso facile da usare, ed è qui che entra in gioco Hadley |
| dentro. Ora glielo consegnerò e lui mi mostrerà il |
| aggiungere e rivedere le simulazioni che ha fatto |
| dimostrare che siamo in grado di ottenere tassi di copertura migliori rispetto a |
| prima applicando Bootstrap |
| Calibrazione agli intervalli di Satterthwaite sulle combinazioni lineari |
| delle componenti della varianza. Toglilo, Hadley. |
| Grazie mille, Chris, e ciao a tutti quelli che ci seguono online |
| ovunque tu sia. Quindi inizierò mostrandoti come funziona il componente aggiuntivo |
| funziona e come puoi usarlo per calcolare Bootstrap Calibrated |
| limiti di confidenza per componenti casuali nei modelli misti in |
| JMP Pro 16. |
| E da lì faremo un passo indietro. Vedremo come funziona il componente aggiuntivo |
| fa questi calcoli e metterò in evidenza alcune delle aggiunte |
| ai modelli misti in JMP Pro 16 che consentono di farlo. |
| Da lì, ti mostrerò i risultati di alcune simulazioni |
| studi per darvi un'idea di quanto sia accurato questo |
| il metodo di stima dell'intervallo è la calibrazione Bootstrap |
| metodo e come si confronta con alcuni degli altri metodi per |
| calcolo dei limiti di confidenza, nonché le situazioni in cui è |
| più o meno accurato e alcune delle limitazioni e cose che |
| dovresti essere consapevole se hai intenzione di applicarlo. |
| Discuteremo le possibilità di miglioramento nel lavoro futuro |
| solo brevemente, e da lì, concluderò mostrandovi il |
| nuovo progettista MSA, progettista di analisi dei sistemi di misurazione, |
| disponibile dal menu DOE in JMP Pro 16 in modo da poterlo fare rapidamente |
| e progetta e analizza facilmente il tuo MSA Gauge R&R |
| studi. Quindi cominciamo esaminando questo set di dati. |
| Questo è uno che ho estratto dai file di dati di esempio. |
| Eseguirò qui questo script Fit Mix che ho salvato. Quindi |
| quello che abbiamo qui sono le nostre stime casuali, stime |
| per componenti casuali. |
| Ora. |
| potrebbe essere che tu voglia, per qualche motivo, calcolare un |
| totale intermedio, ad esempio Operatore e Parte annidati con |
| Operatore, o tutti e tre, |
| sai, Operatore e residuo. |
| Quindi calcolarli è molto semplice, aggiungiamo semplicemente questi |
| stime, ma ciò che non è così semplice è determinare quelle |
| limiti di confidenza. |
| Nella versione 16 è stata aggiunta una nuova funzionalità nei Modelli Misti. |
| La combinazione lineare di |
| La combinazione lineare delle componenti della varianza è caratterizzata |
| proprio qui, e quindi quello che puoi fare è cliccare lì. |
| Puoi scegliere la combinazione di componenti di varianza che ti interessa, |
| e puoi premere "Fatto". Ora abbiamo una stima per quelli. |
| Componenti e loro |
| limiti di confidenza. Quindi, |
| quello che farò ora è fare questo passo |
| ulteriormente e calcolerò il Bootstrap |
| Stime calibrate di Satterthwaite e lo farò tramite |
| andando sui miei componenti aggiuntivi e cliccando su Bootstrap Calibrated |
| intervalli di confidenza lì. Quindi da qui possiamo stimare il |
| numero di simulazioni. |
| 2500 è un |
| numero consigliato al numero predefinito. È anche il |
| numero predefinito in alcune delle altre piattaforme di simulazione e |
| in JMP Pro. Sceglierò |
| questo. Ma una cosa da notare è che ci vuole un po' |
| tempo per poter fare questo, e quindi nell'interesse del tempo |
| quello che farò è fermarlo prima. |
| E qui abbiamo il nostro |
| intervalli calibrati, confidenza superiore e inferiore calibrata |
| limiti aggiunti al report. |
| Facciamo quindi un passo indietro e vediamo cosa è successo. |
| Ora vado avanti e aggiungo di nuovo questo. |
| Ora, una cosa che il componente aggiuntivo |
| non appena lo esegui, |
| è aggiunge |
| questa formula di simulazione alla tabella dei dati, così puoi vedere la |
| formula di simulazione qui. |
| Quando il componente aggiuntivo è chiuso, |
| la formula di simulazione scompare. |
| La formula di simulazione sfrutta un altro |
| funzionalità che è stata aggiunta a... |
| alla piattaforma Modelli misti in JMP Pro, ovvero Salva |
| Funzione Formula di simulazione |
| qui. Quindi ciò che questo ti permetterebbe di fare è salvare il |
| formula di simulazione e poi a |
| usalo, ad esempio, per simulare |
| questi valori qui. Quindi, possiamo scambiare la nostra "Y" con la nostra |
| nuova formula di simulazione, |
| e vai avanti ed eseguilo. Quindi quando esegui il componente aggiuntivo, questo è |
| tutto fatto in background. Ma ecco come funziona il componente aggiuntivo |
| sul calcolo di questi intervalli. Quindi mi fermerò |
| così presto, ancora una volta per questioni di tempo. |
| E ora vediamo qui i campioni |
| stimato per ciascuno. |
| simulazione. E quindi il funzionamento del componente aggiuntivo è |
| ci vogliono tutte queste cose. |
| E calcola nuove stime per la parte superiore e |
| intervalli Satterthwaite inferiori da questo |
| stima e questo errore standard, scambiando diversi |
| valori per alfa. Quindi il nostro obiettivo è 0,05, giusto? |
| In modo da ottenere il 95% dei limiti superiore e inferiore, e cosa |
| fa è trova |
| un valore alfa che si traduce in una copertura del 95%, ovvero il 95% di risultati |
| e il 5% di errori, |
| lo sostituisce, ecco come ottieni gli intervalli calibrati. |
| Spero che vi sia piaciuto vederlo. Spero che lo troviate utile. |
| Abbiamo fatto alcuni studi di simulazione e quello che abbiamo scoperto |
| è quello |
| gli intervalli, che puoi vedere qui per quattro operatori |
| e 12 giorni come i nostri componenti casuali, |
| abbiamo raggiunto obiettivi mancati di circa |
| 7%, quindi un tasso di successo del 92,8%. Ora questo è meglio di tutti gli |
| altri, compreso questo, quindi la combinazione lineare, che è |
| semplicemente l'intervallo standard di Satterthwaite |
| calcolato sulla combinazione delle componenti lineari, nonché |
| Quantili bootstrap, gli intervalli corretti per la distorsione nel |
| intervalli corretti per la distorsione e accelerati, ma come vedrai |
| questi intervalli migliorano, tutti quanti, |
| man mano che aumenti il numero di Operatori da |
| da 4 a 8 e il numero di giorni da 12 a 24. Quindi aumentando il |
| livelli di questi componenti casuali |
| risultato molto migliore, molto di più |
| stime accurate per i limiti di confidenza, e tanto |
| che ora abbiamo |
| un metodo qui |
| che è equivalente, |
| solo, a un |
| valore alfa di 0,05. |
| Quindi, questo miglioramento delle prestazioni, ovviamente, avviene a |
| un costo, e uno di questi costi è la lunghezza degli intervalli. |
| E così puoi vedere qui, |
| che con il nostro |
| Bootstrap calibrato, bene con tutti i nostri intervalli in effetti, |
| che quando avremo un numero crescente di operatori, |
| che la lunghezza dell'intervallo è molto più |
| raggruppati più vicino a 0 rispetto a quando hai più piccoli |
| numero di operatori. Si può vedere che questo si riduce molto |
| ulteriormente, quindi questa è quest'area blu qui. Questo è vero per |
| tutti loro, ma è particolarmente vero per il |
| Intervallo calibrato Bootstrap. Puoi vedere questo |
| coda lunga qui. |
| In media, otterrai lunghezze maggiori usando questo |
| metodo, ma tu hai un metodo più accurato. |
| Approfondendo un po' la questione, puoi vedere qui |
| che questo aumento di lunghezza è vero per quattro operatori, come |
| così come otto Operatori, ed è significativo. |
| Statisticamente significativo. |
| L'altra cosa che ho guardato, |
| è l'effetto dell'aggiunta di ripetizioni, quindi la differenza |
| tra due ripetizioni e cinque ripetizioni, e quello che vedrai |
| ecco che non c'è davvero |
| differenza. Quindi guardando attraverso |
| i diversi insiemi di combinazioni da |
| quattro operatori e due rappresentanti a quattro operatori e cinque rappresentanti, circa 6 |
| misurazioni totali contro 3 misurazioni, non lo sappiamo davvero |
| ottenere qualcosa. Sono tutti equivalenti tra loro. |
| Quindi è qualcosa di cui essere consapevoli, che si vedono miglioramenti in |
| precisione quando si aumenta il numero di operatori, e tu |
| non vedo miglioramenti quando si aumenta il numero di |
| ripetizioni. |
| Una cosa che vorrei menzionare come |
| possibilità di migliorare questi risultati è la |
| Bootstrap a peso casuale frazionario, che avremmo |
| mi sarebbe piaciuto poterlo implementare in tempo per |
| questa conferenza. Non siamo stati in grado di farlo, di prendere questo |
| e applicarlo ai componenti della varianza casuale, e così noi |
| spero di poterlo fare in lavori futuri e forse anche |
| vedere un miglioramento nell'intervallo Bootstrap Calibrated. |
| E poi l'altra cosa che vorrei evidenziare prima di |
| go è il nuovo |
| Progettista MSA aggiunto a JMP 16, e così via |
| da qui quello che possiamo fare è che possiamo molto velocemente |
| creare il nostro design per poter |
| eseguire il nostro MSA o |
| Analisi R&R del calibro. E quindi vediamo, lo farò con tre |
| Operatori e Cinque parti. |
| Li etichetterò |
| A, B e C. |
| E faremo una ripetizione di ciascuno. Quindi sono due |
| misurazioni totali. |
| Quindi qui abbiamo una tabella con il nostro |
| design. Quello che posso fare è premere questo pulsante per molto |
| invialo rapidamente ai diversi operatori, |
| compilano le loro parti e me le rimandano. |
| E poi posso aggiungere |
| quei risultati insieme. |
| Quindi sistemerò questo perché ho un altro tavolo qui |
| dove l'ho già fatto in precedenza. Quindi aggiungerò solo questi |
| valori lì. E ora dagli script all'interno della tabella noi |
| possiamo eseguire rapidamente e facilmente la nostra analisi dei sistemi di misurazione |
| e Gauge R&R. Spero quindi che tu abbia trovato utile questo. Spero che tu |
| continuate a godervi gli interventi a questa conferenza. Grazie mille |
| molto per ascoltare. |
