| 성적 증명서 |
| 안녕하세요, 저는 크리스 갓월트입니다. 공동 진행자 해들리 |
| Myers와 저는 개선된 기능을 얻기 위한 추가 기능을 제시합니다. |
| 분산의 합 또는 선형 조합에 대한 신뢰 구간 |
| 구성 요소. 이것은 우리가 제공한 일련의 강연의 일부입니다. |
| 우리는 다양한 접근 방식을 개선하고 평가하기 위해 노력합니다. |
| 분산합 성분에 대한 신뢰 구간 얻기 |
| 품질에 있어서 중요한 것은 불확실성을 제공하기 때문입니다. |
| 반복성과 재현성에 대한 평가 |
| 측정 시스템입니다. 문제는 우리가 95%를 요구할 때 |
| 신뢰 구간에는 근사치가 포함되어 있으며 |
| 실제 간격 적용 범위는 80% 정도로 낮을 수 있습니다. |
| 우리의 이전 연구에서 우리는 두 가지 방법이 있다는 것을 발견했습니다. |
| 향상된 적용률, 매개변수 부트스트래핑 및 |
| Satterthwaite 간격이지만 여전히 소규모에서는 95% 미만이었습니다. |
| 샘플. 이전 버전의 추가 기능은 다음을 구현했습니다. |
| 임시방편으로서의 매개변수 부트스트랩과 Elizabeth Claassen |
| Fit Mixed에서 Satterthwaite 간격을 구현했습니다. |
| JMP Pro 16에서 기본적으로 제공되는 플랫폼입니다. 여기서 멈추어 다음과 같이 말하고 싶습니다. |
| Elizabeth Claassen은 간격 추정을 수행한 공로를 인정받았습니다. |
| 분산 성분의 선형 조합이 훨씬 더 쉬워졌습니다. |
| JMP Pro 16. 그녀는 또한 혼합 모델 출력을 크게 확장했습니다. |
| 덕분에 이 프레젠테이션이 훨씬 수월해졌습니다. 또한 |
| 이 프레젠테이션이 영감을 줄 것이라고 믿습니다. |
| 다른 사람들이 이 새로운 저장 명령을 확인하여 얻을 수 있도록 합니다. |
| JMP Pro의 혼합 모델 기능에 대해 더 자세히 알아보세요. 이제 |
| Bootstrap이라는 기술을 사용하여 두 가지 접근 방식을 결합합니다. |
| 1991년 Loh가 도입한 간격 교정 |
| Statistica Sinica 기사. Bootstrap Calibration은 매우 |
| 신뢰 범위 개선을 위한 일반 절차 |
| 거의 모든 매개변수에 적용할 수 있는 간격 |
| 통계 모델입니다. 기본 아이디어를 소개하겠습니다. |
| 내가 가장 간단하게 표현한 부트스트랩 간격 보정 |
| 할 수 있고, 마이크를 Hadley에게 넘겨주세요. Hadley는 데모를 할 것입니다. |
| 추가 기능을 사용하고 시뮬레이션 결과에 대해 논의합니다. 이를 위해 |
| 간단합니다. 구체적으로 만들어 보겠습니다. 아주 작은 중첩된 |
| 우리가 총량을 추정하고자 하는 게이지 R&R 유형 연구 |
| 변동. 우리는 데이터를 수집하고 중첩 분산을 실행합니다. |
| 연산자 효과가 있는 구성 요소 모델, 내부의 부분 |
| 운영자 효과와 잔여 효과가 있습니다. 소프트웨어는 다음을 보고합니다. |
| 총계에 대한 Satterthwaite 기반 간격. 잘 알려진 사실입니다. |
| 이는 "큰" 것을 가정한 근사치입니다. |
| 실제 적용 범위를 위해서는 데이터 양이 필요합니다. |
| 간격이 95%에 가까워야 합니다. |
| 작은 샘플에서는 실제 적용 범위, 즉 |
| 간격 프로시저는 실제로 다음을 포함하는 간격을 생성합니다. |
| 추정된 수량의 실제 가치는 더 낮아질 경향이 있습니다. |
| 95% 이상입니다. 문제는 실제 간격 적용 범위가 |
| 디자인의 복잡한 기능, 실제 값 |
| 기능과 기타 어려운 가정의 긴 목록 |
| 또는 확인이 불가능합니다. 하지만 우리가 할 수 있는 것은 장착된 것을 사용하는 것입니다. |
| 모델과 매개변수를 사용하여 매개변수 부트스트랩을 수행합니다. |
| 이렇게 하면 우리는 우리가 원하는 양의 실제 값을 알 수 있습니다. |
| 우리는 그 값을 사용하여 시뮬레이션을 했기 때문에 추정했습니다. |
| 우리는 시뮬레이션을 수천 번 할 수 있습니다. 우리는 다음을 적용합니다. |
| 모든 시뮬레이션 샘플에 동일한 모델 피팅 프로세스를 적용합니다. |
| JMP에서 간격을 수집하고 얼마나 자주 계산할 수 있습니까? |
| 그것은 당신이 생산하는 양의 가치를 생성합니다. |
| 관심이 있었습니다. 이 경우 우리는 모든 것의 합계에 관심이 있었습니다. |
| 분산 성분이므로 실제 값은 4.515입니다. |
| 우리가 원래 데이터 세트를 가져와 추정치를 구했다고 가정해 보겠습니다. |
| Fit Mixed에서 제공되는 Save Simulation Formula를 사용하세요. |
| 그리고 많은 수의 새로운 데이터 세트를 생성하고 적용했습니다. |
| 여기서 우리가 각각에 적용한 것과 동일한 모델 피팅 프로세스입니다. |
| 그리고 우리는 신뢰 구간을 모두 수집했습니다. |
| 총계에 대해 보고되었습니다. 이 작업을 수행한 후 가정합니다. |
| 그게...추정된 적용 범위, 추정된 수 |
| 이러한 간격이 실제로 진실을 담고 있는 시간 |
| 결과는 88%로 나타났습니다. |
| 그래서 우리는 95% 간격을 원했지만 Bootstrap은 |
| 절차에 따르면 실제 적용 범위는 다음과 같습니다. |
| 88%. 이제 우리는 작은 게임을 할 수 있고 반복할 수 있습니다. |
| 이번에는 99% 간격을 사용하는 매개변수 부트스트랩입니다. |
| 그 과정을 통해 우리는 모든 부트스트랩 간격을 다시 실행합니다. |
| 우리가 99% 간격을 수행했을 때 우리는 실제 적용 범위를 얻었습니다. |
| 대략 98%입니다. 이제 이 게임을 계속해서 반복한다고 가정해 보겠습니다. |
| 알파를 찾을 때까지 다시 |
| 실제 적용 범위는 약 95%입니다. 따라서 이 |
| 예를 들어, 우리가 그렇게 했고 97.6%를 찾았다고 가정해 보겠습니다. |
| 우리가 97.6% 간격을 요청했을 때 실제로는 다음과 같은 결과가 나왔습니다. |
| 약 95%의 적용 범위. |
| 그러면 Fit을 사용하여 1에서 알파를 뺀 값을 0.976으로 설정할 수 있습니다. |
| 모델 출시 대화 상자, 알파 옵션 설정 및 다음을 받게 됩니다. |
| Bootstrap 교정된 간격 |
| 대략적인 적용 범위는 95%입니다. 이는 여전히 근사치입니다. |
| 여전히 시뮬레이션 구성 요소이며 더 깊은 |
| 분석하기 매우 어려운 기본 근사치, |
| 하지만 사용하기 쉽게 만들 수도 있고, 바로 여기에 Hadley가 등장합니다. |
| 이제 그에게 넘겨주고 그는 데모를 보여줄 것입니다. |
| 추가하고 그가 한 시뮬레이션을 살펴보세요. |
| 우리가 더 나은 보장 비율을 얻을 수 있음을 보여줍니다. |
| Bootstrap을 적용하기 전에 |
| 선형 조합에 대한 Satterthwaite 간격 교정 |
| 분산 성분. 이걸 없애버려, 해들리. |
| 크리스, 정말 고맙습니다. 그리고 온라인으로 시청하시는 모든 분들께 안녕하세요. |
| 어디에 계시든. 그래서 먼저 애드인이 어떻게 작동하는지 보여드리겠습니다. |
| 작동 방식과 Bootstrap Calibrated를 계산하는 데 사용할 수 있는 방법 |
| 혼합 모델의 임의 구성 요소에 대한 신뢰 한계 |
| JMP 프로 16. |
| 그리고 거기서부터 한 걸음 물러서서 추가 기능이 어떻게 작동하는지 살펴보겠습니다. |
| 이러한 계산을 수행하고 추가 사항 중 일부를 강조하겠습니다. |
| JMP Pro 16의 혼합 모델을 사용하면 이를 수행할 수 있습니다. |
| 거기서부터 몇 가지 시뮬레이션 결과를 보여드리겠습니다. |
| 이것이 얼마나 정확한지에 대한 아이디어를 제공하는 연구 |
| 구간 추정 방법은 Bootstrap Calibration입니다. |
| 방법과 다른 방법과 비교한 방법 |
| 신뢰 한계를 계산하는 것과 그것이 발생하는 상황 |
| 다소 정확하고 일부 제한 사항과 귀하가 알고 있는 사항 |
| 적용할 경우 알아야 할 사항입니다. |
| 우리는 향후 작업 개선 가능성에 대해 논의할 것입니다. |
| 간단히 말씀드리고, 그 다음에는 다음 내용을 보여드리면서 마치겠습니다. |
| 새로운 MSA Designer, 측정 시스템 분석 Designer, |
| JMP Pro 16의 DOE 메뉴에서 사용할 수 있으므로 빠르게 사용할 수 있습니다. |
| 그리고 쉽게 자신의 MSA 게이지 R&R을 설계하고 분석하세요 |
| 연구입니다. 그럼 이 데이터 세트를 살펴보는 것부터 시작해 보겠습니다. |
| 이건 제가 샘플 데이터 파일에서 뽑은 것입니다. |
| 저장해 둔 Fit Mix 스크립트를 실행해 보겠습니다. |
| 우리가 여기서 얻은 것은 우리의 무작위 추정치, 추정치입니다. |
| 무작위 구성요소의 경우. |
| 지금. |
| 어떤 이유에서든 계산하고 싶을 수도 있습니다. |
| 중간 총계, 예를 들어 연산자와 부분이 중첩됨 |
| 운영자, 또는 이 세 가지 중 하나, |
| 아시죠, 운영자와 잔여물이죠. |
| 따라서 이를 계산하는 것은 매우 간단합니다. 간단히 다음을 추가합니다. |
| 추정은 가능하지만 그렇게 간단하지 않은 것은 그것을 결정하는 것입니다. |
| 신뢰 한계. |
| 16에서는 혼합 모델에 새로운 기능이 추가되었습니다. |
| 의 선형 조합 |
| 분산 성분의 선형 결합 특징 |
| 바로 여기입니다. 클릭만 하면 됩니다. |
| 관심 있는 분산 구성 요소의 조합을 선택할 수 있습니다. |
| 완료를 누르면 됩니다. 이제 예상 금액을 알 수 있게 됐죠. |
| 구성 요소 및 그 구성 요소 |
| 신뢰 한계. 그래서, |
| 내가 지금 할 일은 한 걸음 나아가는 것입니다. |
| 더 나아가 Bootstrap을 계산할 것입니다. |
| 보정된 Satterthwaite 추정치를 다음과 같이 수행할 것입니다. |
| 내 추가 기능으로 가서 Bootstrap Calibrated를 클릭합니다. |
| 신뢰 구간이 있습니다. 따라서 여기에서 우리는 다음을 추정할 수 있습니다. |
| 시뮬레이션의 수. |
| 2500은 |
| 권장되는 숫자를 기본 숫자로 변환합니다. 또한 |
| 다른 시뮬레이션 플랫폼 중 일부의 기본 번호 및 |
| JMP Pro에서 선택할 것입니다. |
| 이것. 하지만 주의해야 할 점은 시간이 좀 걸린다는 것입니다. |
| 이것을 할 수 있는 시간이 있고, 그래서 시간적 이익을 위해 |
| 제가 할 일은 일찍 막는 것입니다. |
| 그리고 여기 우리는 우리의 |
| 교정된 간격, 교정된 상한 및 하한 신뢰도 |
| 보고서에 한도가 추가되었습니다. |
| 그러면 한 걸음 물러서서 무슨 일이 일어났는지 살펴보겠습니다. |
| 다시 한번 추가하겠습니다. |
| 이제 추가 기능 중 하나는 |
| 실행하자마자, |
| 추가되나요? |
| 이 시뮬레이션 공식을 데이터 테이블에 적용하면 다음과 같은 결과를 볼 수 있습니다. |
| 시뮬레이션 공식은 여기에 있습니다. |
| 추가 기능이 닫히면 |
| 시뮬레이션 공식이 사라집니다. |
| 시뮬레이션 공식은 다른 것을 활용합니다. |
| ...에 추가된 기능 |
| JMP Pro의 혼합 모델 플랫폼으로 저장하세요. |
| 시뮬레이션 공식 기능 |
| 여기. 그래서 이것을 사용하면 다음을 저장할 수 있습니다. |
| 시뮬레이션 공식을 만든 다음 |
| 예를 들어, 그것을 사용하여 시뮬레이션합니다. |
| 여기 이 값들이 있습니다. 따라서 "Y"를 |
| 새로운 시뮬레이션 공식, |
| 계속해서 실행하세요. 추가 기능을 실행하면 다음과 같습니다. |
| 모든 작업은 백그라운드에서 수행됩니다. 하지만 애드인은 이렇게 진행됩니다. |
| 이 간격을 계산하는 것에 대해서요. 그래서 저는 멈추려고 합니다. |
| 시간을 벌기 위해 이렇게 일찍. |
| 그리고 이제 우리는 여기서 샘플을 봅니다 |
| 각각에 대해 추정됨. |
| 시뮬레이션. 그래서 애드인이 작동하는 방식은 다음과 같습니다. |
| 이 모든 것이 필요합니다. |
| 그리고 상위 및 하위에 대한 새로운 추정치를 계산합니다. |
| 여기에서 더 낮은 Satterthwaite 간격 |
| 추정치와 이 표준 오차를 다른 것으로 교체합니다. |
| 알파 값입니다. 그럼 목표는 0.05죠, 맞죠? |
| 그래서 우리는 95%의 상한과 하한을 얻고 그것이 무엇인지 |
| 그것이 발견되는가 |
| 95% 적용 범위를 가져오는 알파 값, 즉 95% 적중률 |
| 그리고 5%는 놓칩니다. |
| 그것을 바꿔 넣으면 교정된 간격을 얻을 수 있습니다. |
| 그러니 즐겁게 보셨으면 좋겠습니다. 유익하셨으면 좋겠습니다. |
| 우리는 몇 가지 시뮬레이션 연구를 수행했고 우리가 발견한 것은 다음과 같습니다. |
| 그게 그거예요? |
| 여기에서 4명의 연산자에 대해 볼 수 있는 간격 |
| 그리고 우리의 무작위 구성요소로 12일이 있습니다. |
| 우리는 약 ~의 미스를 달성했습니다. |
| 7%, 즉 92.8의 적중률입니다. 이것은 모든 것보다 낫습니다. |
| 이것을 포함한 다른 것들도 선형 조합입니다. |
| 단순히 표준 Satterthwaite 간격 |
| 선형 구성 요소의 조합에 대해 계산됨 |
| 부트스트랩 분위수, 편향 보정 간격 |
| 편향 보정 및 가속 간격이지만, 보시게 되면 |
| 이 간격은 모두 개선됩니다. |
| 운영자 수를 늘리면 |
| 4에서 8까지, 일수는 12에서 24까지 늘어납니다. |
| 이러한 무작위 구성 요소의 수준 |
| 훨씬 더 나은, 훨씬 더 많은 결과를 낳다 |
| 신뢰 한계에 대한 정확한 추정치 등 |
| 우리가 지금 가지고 있는 |
| 여기의 방법 |
| 그것은 동등하다, |
| 그냥, ~에게 |
| 알파 값은 .05입니다. |
| 따라서 이러한 성능 향상은 물론 다음과 같은 경우에 발생합니다. |
| 비용이 들고, 그 비용 중 하나가 간격의 길이입니다. |
| 그래서 여기서 볼 수 있듯이, |
| 우리와 함께 |
| Bootstrap은 실제로 모든 간격에 맞게 잘 교정되었습니다. |
| 운영자 수가 증가하면 |
| 간격의 길이가 훨씬 더 길다 |
| 더 작은 크기를 가질 때보다 0에 더 가깝게 묶입니다. |
| 연산자 수. 이것이 훨씬 더 길어지는 것을 볼 수 있습니다. |
| 더 나아가, 여기 파란색 영역이 있습니다. 이것은 사실입니다. |
| 그들 모두에 해당하지만 특히 다음 사항에 해당합니다. |
| 부트스트랩 보정 간격. 다음을 볼 수 있습니다. |
| 여기 긴 꼬리가 있어요. |
| 평균적으로 이것을 사용하면 더 긴 길이를 얻을 수 있습니다. |
| 방법은 있지만, 더 정확한 방법이 있습니다. |
| 조금 더 깊이 살펴보면 여기에서 볼 수 있습니다. |
| 이 길이의 증가는 4명의 운영자에게 해당합니다. |
| 그리고 운영자가 8명이나 되는데, 이건 중요한 일이에요. |
| 통계적으로 유의미함. |
| 내가 살펴본 또 다른 것은, |
| 반복을 추가하는 효과이므로 차이가 있습니다. |
| 2회 반복과 5회 반복 사이에 무엇이 보일지 |
| 여기에는 정말로 아무것도 없습니다 |
| 차이점. 그래서 살펴보니 |
| 다양한 조합 세트 |
| 4명의 운영자와 2명의 담당자가 4명의 운영자와 5명의 담당자로 약 6명입니다. |
| 총 측정치 대비 3개 측정치, 우리는 실제로 그렇지 않습니다. |
| 무엇이든 얻을 수 있다. 이 모든 것은 서로 동등하다. |
| 그래서 그것은 당신이 개선을 볼 수 있다는 것을 알아야 할 것입니다. |
| 운영자 수를 늘릴 때 정확도가 높아지고 |
| 숫자를 늘려도 개선이 보이지 않는다 |
| 반복. |
| 제가 언급하고 싶은 한 가지는 |
| 이러한 결과를 개선할 가능성은 다음과 같습니다. |
| 우리가 가질 수 있는 분수 난수 가중치 부트스트랩 |
| 이것을 제때 구현할 수 있었으면 좋았을 텐데 |
| 이 컨퍼런스에서 우리는 그것을 할 수 없었습니다. |
| 그리고 그것을 무작위 분산 구성 요소에 적용하기 위해서, 우리는 |
| 앞으로의 작업에서도 그렇게 할 수 있기를 바랍니다. |
| Bootstrap Calibrated 간격에 대한 개선 사항을 확인하세요. |
| 그리고 제가 강조하고 싶은 또 다른 점은 다음과 같습니다. |
| 가다 새로운 |
| JMP 16에 추가된 MSA 디자이너 등 |
| 여기서 우리가 할 수 있는 일은 매우 빠르게 할 수 있다는 것입니다. |
| 우리만의 디자인을 만들어서 할 수 있도록 |
| 우리만의 MSA를 수행하거나 |
| 게이지 R&R 분석. 그럼, 이걸 세 가지로 나눠서 해보겠습니다. |
| 연산자와 5가지 부분. |
| 나는 이것들에 라벨을 붙일 것이다 |
| A, B, C. |
| 그리고 우리는 각각 한 번씩 반복할 거예요. 그러니까 두 번이요 |
| 총 측정값. |
| 그래서 여기에 우리는 우리의 테이블을 가지고 있습니다 |
| 디자인. 내가 할 수 있는 건 이 버튼을 아주 |
| 그것을 다른 운영자에게 빠르게 보내십시오. |
| 그들이 각자의 부분을 작성해서 나에게 다시 보내주세요. |
| 그리고 나서 추가할 수 있습니다 |
| 그 결과를 함께 살펴보겠습니다. |
| 그래서 여기에 또 다른 테이블이 있으니까 이걸 정리할게요. |
| 제가 이걸 미리 해놨거든요. 그래서 그냥 이것들을 추가할게요. |
| 저기에 값이 있습니다. 그리고 이제 테이블 내의 스크립트에서 |
| 빠르고 쉽게 자체 측정 시스템 분석을 수행할 수 있습니다. |
| 그리고 게이지 R&R. 도움이 되셨기를 바랍니다. |
| 이번 컨퍼런스에서 계속 강연을 즐겨주세요. 감사합니다. |
| 듣기에는 충분해요. |
