| 文字稿 |
| 大家好，我叫克里斯·戈特沃尔特。我的搭档是哈德利 |
| 我和迈尔斯正在开发一款插件，旨在提升性能。 |
| 方差之和或方差线性组合的置信区间 |
| 组成部分。这是我们举办的一系列讲座的一部分。 |
| 我们正在努力改进和评估几种方法。 |
| 获得方差分量之和的置信区间 |
| 质量之所以重要，是因为它带来了不确定性。 |
| 对我们实验结果的重复性和再现性进行评估 |
| 测量系统。问题在于，当我们要求95%时 |
| 置信区间中涉及近似值，并且 |
| 实际间隔覆盖率可能低至 80%。 |
| 在我们之前的研究中，我们发现有两种方法…… |
| 提高覆盖率、参数引导和 |
| Satterthwaite 间隔，但在小范围内仍低于 95%。 |
| 示例。该插件的早期版本实现了 |
| 参数化引导法作为一种权宜之计，以及伊丽莎白·克拉森 |
| 在 Fit Mixed 中实现了 Satterthwaite 区间 |
| JMP Pro 16 中原生支持该平台。我想在这里停一下，再说几句。 |
| 伊丽莎白·克拉森因对区间估计的研究而受到赞誉 |
| 方差分量的线性组合要容易得多，而且 |
| JMP Pro 16。她还极大地扩展了混合模型输出功能。 |
| 这使得这次演讲变得容易得多。我也希望 |
| 希望本次演讲能起到激励作用。 |
| 其他人也可以查看这些新的保存命令，以便他们能够获取。 |
| 更多关于 JMP Pro 混合模型功能的内容。现在我们将…… |
| 使用一种称为 Bootstrap 的技术将这两种方法结合起来。 |
| Loh 于 1991 年提出的区间校准 |
| 《统计学报》文章。Bootstrap 校准是一种非常 |
| 提高信心覆盖率的一般程序 |
| 几乎可以应用于任何参数的区间 |
| 统计模型。我将介绍其基本概念。 |
| 简单来说，Bootstrap 区间校准就是 |
| 可以，然后把麦克风交给哈德利，他要进行演示。 |
| 添加并讨论我们的仿真结果。为了实现这一点。 |
| 简单来说，我们具体一点。考虑一个非常小的嵌套结构。 |
| 量规R&R型研究，我们希望估算总 |
| 变异。我们收集数据并运行嵌套方差分析。 |
| 组件模型具有运算符效果，部件位于 |
| 操作员效应和残余效应。软件报告称： |
| 基于萨特斯韦特区间的总体。众所周知， |
| 这是一个假设“较大”的近似值 |
| 为了实现实际覆盖，需要收集一定量的数据。 |
| 区间接近 95%。 |
| 在小样本中，实际覆盖率，即概率 |
| 区间过程生成实际包含的区间 |
| 估计量的真实值往往会低于估计值。 |
| 超过95%。问题是实际的区间覆盖率是 |
| 该设计的复杂功能，其真实价值 |
| 这些函数，以及一系列其他难以实现的假设。 |
| 或者根本无法验证。不过，我们可以做的是使用拟合结果。 |
| 模型及其参数用于进行参数引导法。当我们 |
| 这样做，我们就能知道我们所拥有的数量的真实值。 |
| 因为我们用这个值进行了模拟，所以才进行估算。 |
| 我们可以进行数千次模拟。我们应用 |
| 对所有模拟样本均采用相同的模型拟合过程。 |
| 可以从 JMP 中收集时间间隔并计算其频率 |
| 它们包含了你所拥有的数量的生成值。 |
| 我们感兴趣的是。在这种情况下，我们感兴趣的是所有总和 |
| 方差分量，因此真实值为 4.515。 |
| 假设我们取原始数据集，进行估计， |
| 使用来自 Fit Mixed 的 Save Simulation Formula， |
| 并生成了大量新的数据集，并应用了 |
| 我们对每个模型都采用了相同的模型拟合过程。 |
| 我们收集了所有置信区间。 |
| 报告显示，总数大致如此。完成这项工作后，假设 |
| 也就是说……预计覆盖范围，预计数量 |
| 这些时间段中确实包含真相的时刻， |
| 结果为 88%。 |
| 所以我们需要的是95%的置信区间，但是Bootstrap方法却不行。 |
| 程序告诉我们，实际覆盖范围更接近于 |
| 88%。现在我们可以玩个小游戏，我们可以重复…… |
| 这次我们使用99%置信区间的参数化Bootstrap方法。所以我们开始吧。 |
| 通过这个过程，我们重新计算了所有自举区间， |
| 当我们计算99%置信区间时，我们得到的实际覆盖率为 |
| 大约98%。现在假设我们一遍又一遍地玩这个游戏。 |
| 直到我们找到阿尔法为止。 |
| 实际覆盖率约为95%。所以，在这种情况下 |
| 假设我们这样做，最终发现结果是 97.6% |
| 当我们要求97.6%的置信区间时，我们实际上得到了 |
| 覆盖率大概达到95%。 |
| 然后我们可以用“拟合”功能将 1 减去 alpha 的值设置为 0.976。 |
| 模型启动对话框，设置 alpha 选项，即可获得一个 |
| 已通过 Bootstrap 校准的区间 |
| 覆盖率约为 95%。这仍然是一个近似值。 |
| 它仍然包含模拟组件，以及更深层次的分析。 |
| 底层近似值极难分析， |
| 但它可以变得易于使用，而这正是哈德利的作用所在。 |
| 现在我要把它交给他，他会进行演示。 |
| 添加并查看他所做的模拟。 |
| 证明我们能够获得比……更高的覆盖率 |
| 之前通过应用 Bootstrap |
| 线性组合的 Satterthwaite 区间校准 |
| 方差分量。哈德利，请开始吧。 |
| 非常感谢你，克里斯，也向所有在线观看的观众问好。 |
| 无论你在哪里。所以我将首先向你展示插件的使用方法。 |
| 工作原理以及如何使用它来计算 Bootstrap 校准值 |
| 混合模型中随机成分的置信限 |
| JMP Pro 16。 |
| 然后我们退后一步，看看插件是如何工作的。 |
| 进行这些计算后，我将重点介绍其中的一些新增内容。 |
| JMP Pro 16 中的混合模型允许这样做。 |
| 接下来，我将向你们展示一些模拟结果。 |
| 这些研究旨在让你了解这种说法的准确性。 |
| 区间估计方法是 Bootstrap 校准法。 |
| 该方法，以及它与其他一些方法的比较 |
| 计算置信限值，以及适用情况 |
| 大致准确，但也存在一些局限性和注意事项。 |
| 如果你打算应用它，就应该了解这一点。 |
| 我们将讨论未来工作中改进的可能性 |
| 简单介绍一下，然后，我将最后向您展示…… |
| 新版 MSA 设计师，测量系统分析设计师 |
| 可从 JMP Pro 16 的 DOE 菜单中找到，以便您可以快速…… |
| 轻松设计和分析您自己的 MSA 量具 R&R |
| 研究。那么，让我们先来看一下这个数据集。 |
| 这是我从示例数据文件中提取出来的一个示例。 |
| 我要运行一下我保存的 Fit Mix 脚本。 |
| 这里我们得到的是一些随机估计值，估计值 |
| 对于随机成分。 |
| 现在。 |
| 或许出于某种原因，你想计算一下 |
| 中间总计，例如运算符和部件嵌套 |
| 操作员，或者这三个人， |
| 你知道，运营商和残差。 |
| 所以计算这些值非常简单，我们只需将这些值相加即可。 |
| 估算固然重要，但确定这些估算值并非易事。 |
| 置信区间。 |
| 混合模型中新增了一项功能，该功能在 16 版本中已添加。 |
| 线性组合 |
| 方差分量的线性组合特征 |
| 就在这里，所以你可以点击它。 |
| 您可以选择您感兴趣的方差分量组合， |
| 然后您可以点击完成。现在我们有了这些数值的估算值。 |
| 组件及其 |
| 置信区间。所以， |
| 我现在要做的就是迈出这一步。 |
| 接下来，我将计算 Bootstrap 值。 |
| 校准后的Satterthwaite估计值，我将通过以下方式实现： |
| 转到我的插件并单击 Bootstrap Calibrated |
| 那里有置信区间。因此，我们可以从这里估计出 |
| 模拟次数。 |
| 2500 是一个 |
| 推荐号码相对于默认号码。它也是 |
| 其他一些仿真平台中的默认值和 |
| 在 JMP Pro 中。我将选择 |
| 这个。但需要注意的是，这需要一些 |
| 需要时间来完成这项工作，因此，为了节省时间。 |
| 我打算提前结束这一切。 |
| 这就是我们的 |
| 校准区间，校准置信上限和置信下限 |
| 报告中新增了限制条件。 |
| 那么，让我们回顾一下当时发生了什么。 |
| 我打算再补充一遍。 |
| 现在，插件有一点需要注意。 |
| 一旦运行它，就会出现这种情况。 |
| 它是否增加了 |
| 将此模拟公式添加到数据表中，以便您可以看到 |
| 此处为模拟公式。 |
| 当插件关闭时， |
| 模拟公式消失了。 |
| 那里的模拟公式利用了另一个 |
| 新增功能…… |
| 在 JMP Pro 的混合模型平台中，这就是保存操作。 |
| 模拟公式功能 |
| 这里。所以这样做可以让你保存…… |
| 模拟公式，然后 |
| 例如，用它来模拟 |
| 这些值就在这里。所以，我们可以用我们的“Y”替换“Y”。 |
| 新的模拟公式， |
| 然后运行它。所以当你运行这个插件时，就会出现这种情况。 |
| 所有操作都在后台完成。但这就是插件的运行方式。 |
| 关于计算这些区间。所以我打算停下来。 |
| 这么早就这么做，再次是为了节省时间。 |
| 现在我们看到这些样品。 |
| 分别估算。 |
| 模拟。那么，该插件的工作原理是怎样的呢？ |
| 这需要所有这些条件。 |
| 它会计算出上限和下限的新估计值。 |
| 从此开始，Satterthwaite 区间的下部 |
| 估计值和标准误差，替换不同的 |
| α 值。所以我们的目标是 0.05，对吗？ |
| 这样我们就能得到 95% 的上限和下限，以及它是什么。 |
| 它的作用是找到 |
| 一个能达到 95% 覆盖率（即 95% 命中率）的 alpha 值 |
| 以及5%的失误， |
| 换上这个，就能得到校准后的时间间隔。 |
| 希望您喜欢观看，也希望它对您有所帮助。 |
| 我们进行了一些模拟研究，我们发现…… |
| 就是 |
| 您可以在这里看到四个运算符的区间。 |
| 其中 12 天作为我们的随机组成部分， |
| 我们已经错过了大约 |
| 7%，也就是92.8%的命中率。这比所有……都好。 |
| 其他，包括这个，所以是线性组合，即 |
| 就是标准的萨特斯韦特间隔 |
| 基于线性分量的组合以及 |
| Bootstrap 分位数，即偏差校正后的区间 |
| 经过偏差校正和加速的间歇训练，但正如你将看到的。 |
| 这些间隔时间都有所改善，所有这些间隔时间都是如此。 |
| 随着您增加操作员数量 |
| 4 到 8，天数从 12 到 24。因此，增加 |
| 这些随机成分的水平 |
| 结果会更好、更多 |
| 对置信限的估计非常准确，而且非常准确 |
| 我们现在拥有 |
| 这里有一个方法 |
| 这等价于 |
| 只是，对于一个 |
| α值为0.05。 |
| 所以，这种性能的提升当然是在…… |
| 成本之一就是时间间隔的长度。 |
| 所以你在这里可以看到， |
| 我们 |
| Bootstrap 校准结果与我们所有的区间都吻合良好。 |
| 当运营商数量不断增加时， |
| 区间长度要长得多 |
| 比起较小的情况，它更接近于 0。 |
| 操作员数量。你可以看到，这个数字逐渐变小。 |
| 此外，就是这里这片蓝色区域。对于……来说确实如此。 |
| 所有这些，但对于以下情况尤其如此： |
| Bootstrap 校准区间。您可以看到这一点。 |
| 这里是长尾效应。 |
| 平均而言，使用这种方法你会得到更长的长度。 |
| 你的方法虽然可行，但你的方法更准确。 |
| 更深入地探究一下，你可以在这里看到。 |
| 这种长度增加对于四个操作员来说都是成立的，因为 |
| 还有八位运营商，这意义重大。 |
| 具有统计学意义。 |
| 我查看的另一件事是， |
| 这是增加重复次数的效果，所以差异 |
| 两次重复和五次重复之间，你会看到什么 |
| 事实是，这里根本没有 |
| 区别。所以，纵观全局。 |
| 来自不同的组合集合 |
| 四名操作员和两名销售代表，或四名操作员和五名销售代表，大约 6 |
| 总测量次数与 3 次测量次数相比，我们真的没有 |
| 获得任何东西。这些都等同于其他含义。 |
| 所以，你需要注意这一点，你会看到一些改进。 |
| 增加操作员数量时准确率会降低，而且你 |
| 增加数量后，并没有看到任何改善 |
| 重复。 |
| 我想提一点， |
| 改进这些结果的可能性是 |
| 我们可以使用分数随机权重自助法（Fractional Random Weight Bootstrap）来实现这一目标。 |
| 很高兴能够及时实现这一点。 |
| 这次会议。我们没能做到这一点，没能参加这次会议。 |
| 并将其应用于随机方差分量，因此我们 |
| 希望将来能够做到这一点，甚至可能 |
| 与 Bootstrap 校准区间相比有所改进。 |
| 然后，在……之前，我还想强调另一件事。 |
| go 是新的 |
| MSA 设计器已添加到 JMP 16 中，因此 |
| 从这里我们可以做的就是迅速地 |
| 为了能够创建我们自己的设计， |
| 执行我们自己的MSA或 |
| 量具R&R分析。那么，让我来看一下，我用三个来做。 |
| 操作员和五个部分。 |
| 我会给这些贴上标签。 |
| A、B 和 C。 |
| 我们每项重复一次。所以一共两次。 |
| 测量总数。 |
| 所以这里有一张表格，上面列出了我们的 |
| 设计。我能做的就是按下这个按钮来非常 |
| 迅速将信息发送给各个运营商，有 |
| 请他们填写好各自的部分，然后发给我。 |
| 然后我还可以补充 |
| 将这些结果综合起来。 |
| 所以我先整理一下这个，因为我这边还有另一张表格。 |
| 我已经提前做好了这些。所以我只需要添加这些。 |
| 那边的值。现在，我们从表格中的脚本来看…… |
| 可以快速轻松地进行我们自己的测量系统分析 |
| 以及量规的重新安装和修复。希望这对您有所帮助。希望您 |
| 继续享受本次会议的精彩演讲吧！非常感谢！ |
| 非常适合聆听。 |
