| 文字稿 |
| 大家好，我叫克里斯‧戈特沃爾特。我的搭檔是哈德利 |
| 我和邁爾斯正在開發一款插件，旨在提升效能。 |
| 方差之和或方差線性組合的信賴區間 |
| 組成部分。這是我們舉辦的一系列講座的一部分。 |
| 我們正在努力改進和評估幾種方法。 |
| 求出變異數分量之和的信賴區間 |
| 品質之所以重要，是因為它帶來了不確定性。 |
| 對我們實驗結果的重複性和再現性進行評估 |
| 測量系統。問題在於，當我們要求95%時 |
| 在置信區間中涉及近似值，且 |
| 實際間隔覆蓋率可能低至 80%。 |
| 在我們之前的研究中，我們發現有兩種方法… |
| 提高覆蓋率、參數引導和 |
| Satterthwaite 間隔，但在小範圍內仍低於 95%。 |
| 範例。該插件的早期版本實現了 |
| 參數化引導法作為權宜之計，以及伊莉莎白·克拉森 |
| 在 Fit Mixed 中實現了 Satterthwaite 區間 |
| JMP Pro 16 中原生支援此平台。我想在這裡停一下，再說幾句。 |
| 伊麗莎白·克拉森因對區間估計的研究而受到讚譽 |
| 方差分量的線性組合要容易得多，而且 |
| JMP Pro 16。她還大大擴展了混合模型輸出功能。 |
| 這使得這次演講變得容易得多。我也希望 |
| 希望本次演講能起到激勵作用。 |
| 其他人也可以查看這些新的保存命令，以便他們能夠獲取 |
| 更多關於 JMP Pro 混合模型功能的內容。現在我們將… |
| 使用一種稱為 Bootstrap 的技術將這兩種方法結合起來。 |
| Loh 於 1991 年提出的區間校準 |
| 《統計學報》文章。 Bootstrap 校準是一種非常 |
| 提高信心覆蓋率的一般程序 |
| 幾乎可以應用於任何參數的區間 |
| 統計模型。我將介紹其基本概念。 |
| 簡單來說，Bootstrap 區間校準就是 |
| 可以，然後把麥克風交給哈德利，他要進行示範。 |
| 新增並討論我們的仿真結果。為了實現這一點。 |
| 簡單來說，我們具體一點。考慮一個非常小的嵌套結構。 |
| 量規R&R型研究，我們希望估算總 |
| 變異。我們收集數據並運行嵌套方差分析。 |
| 組件模型具有運算子效果，部件位於 |
| 操作員效應和殘餘效應。軟體報告指出： |
| 基於薩特斯韋特區間的總體。眾所周知， |
| 這是一個假設「較大」的近似值 |
| 為了實現實際覆蓋，數據量是存在的。 |
| 區間接近 95%。 |
| 在小樣本中，實際覆蓋率，即機率 |
| 區間過程產生實際包含的區間 |
| 估計量的真實值往往會低於估計值。 |
| 超過95%。問題是實際的區間覆蓋率是 |
| 設計的複雜功能，其真實價值 |
| 這些函數，以及一系列其他難以實現的假設。 |
| 或者根本無法驗證。不過，我們可以做的是使用擬合結果。 |
| 模型及其參數用於進行參數引導法。當我們 |
| 這樣做，我們就能知道我們所擁有的數量的真實值。 |
| 因為我們用這個值進行了模擬，所以才進行估算。 |
| 我們可以進行數千次模擬。我們應用 |
| 對所有模擬樣本均採用相同的模型擬合過程。 |
| 可以從 JMP 中收集時間間隔併計算其頻率 |
| 它們包含了你所擁有的數量的生成值。 |
| 我們感興趣的是。在這種情況下，我們感興趣的是所有總和 |
| 變異數分量，因此真實值為 4.515。 |
| 假設我們取原始資料集，進行估計， |
| 使用 Fit Mixed 的 Save Simulation Formula， |
| 並產生了大量新的數據集，並應用了 |
| 我們對每個模型都採用了相同的模型擬合過程。 |
| 我們收集了所有信賴區間。 |
| 報告顯示，總數大致如此。完成這項工作後，假設 |
| 也就是說……預計覆蓋範圍，預計數量 |
| 這些時段確實包含真相的時刻， |
| 結果為 88%。 |
| 所以我們需要的是95%的置信區間，但是Bootstrap方法卻不行。 |
| 程序告訴我們，實際覆蓋範圍更接近 |
| 88%。現在我們可以玩個小遊戲，我們可以重複… |
| 這次我們使用99%信賴區間進行參數化Bootstrap抽樣。所以我們開始吧。 |
| 透過這個過程，我們重新計算了所有自舉區間， |
| 當我們計算99%置信區間時，我們得到的實際覆蓋率為 |
| 大約98%。現在假設我們一遍又一遍地玩這個遊戲。 |
| 直到我們找到阿爾法。 |
| 實際覆蓋率約為95%。所以，在這種情況下 |
| 假設我們這樣做，最終發現結果是 97.6% |
| 當我們要求97.6%的置信區間時，我們實際上得到了 |
| 覆蓋率大概達95%。 |
| 然後我們可以用「擬合」功能將 1 減去 alpha 的值設為 0.976。 |
| 模型啟動對話框，設定 alpha 選項，即可獲得一個 |
| 已通過 Bootstrap 校準的區間 |
| 覆蓋率約為 95%。這仍然是一個近似值。 |
| 它仍然包含模擬組件，以及更深層的分析。 |
| 底層近似值極難分析， |
| 但它可以變得易於使用，而這正是哈德利的作用所在。 |
| 現在我要把它交給他，他會進行示範。 |
| 添加並查看他所做的模擬。 |
| 證明我們能夠獲得比…更高的覆蓋率 |
| 之前透過應用 Bootstrap |
| 線性組合的 Satterthwaite 區間校準 |
| 方差分量。哈德利，請開始。 |
| 非常感謝你，克里斯，也向所有在線觀看的觀眾問好。 |
| 無論你在哪裡。所以我將首先向你展示插件的使用方法。 |
| 工作原理以及如何使用它來計算 Bootstrap 校準值 |
| 混合模型中隨機成分的置信限 |
| JMP Pro 16。 |
| 然後我們退後一步，看看插件是如何運作的。 |
| 進行這些計算後，我將重點放在其中的一些新增內容。 |
| JMP Pro 16 中的混合模型允許這樣做。 |
| 接下來，我將向你們展示一些模擬結果。 |
| 這些研究旨在讓你了解這種說法的準確性。 |
| 區間估計方法為 Bootstrap 校準法。 |
| 該方法，以及它與其他一些方法的比較 |
| 計算信賴區間值，以及適用情況 |
| 大致準確，但也存在一些限制和注意事項。 |
| 如果你打算應用它，就應該了解這一點。 |
| 我們將討論未來工作中改進的可能性 |
| 簡單介紹一下，然後，我將最後向您展示… |
| 新版 MSA 設計師，測量系統分析設計師 |
| 可從 JMP Pro 16 的 DOE 選單中找到，以便您可以快速… |
| 輕鬆設計和分析您自己的 MSA 量具 R&R |
| 研究。那麼，讓我們先來看這個資料集。 |
| 這是我從範例資料檔案中提取出來的一個範例。 |
| 我要運行我保存的 Fit Mix 腳本。 |
| 這裡我們得到的是一些隨機估計值，估計值 |
| 對於隨機成分。 |
| 現在。 |
| 或許出於某種原因，你想計算一下 |
| 中間總計，例如運算子和零件嵌套 |
| 操作員，或這三個人， |
| 你知道，運營商和殘差。 |
| 所以計算這些值非常簡單，我們只要將這些值相加即可。 |
| 估算固然重要，但要確定這些估算值並非易事。 |
| 信賴區間。 |
| 混合模型中新增了一項功能，該功能在 16 版本中已新增。 |
| 線性組合 |
| 方差分量的線性組合特徵 |
| 就在這裡，所以你可以點擊它。 |
| 您可以選擇您感興趣的變異數分量組合， |
| 然後您可以點擊完成。現在我們有了這些數值的估算值。 |
| 組件及其 |
| 信賴區間。所以， |
| 我現在要做的就是踏出這一步。 |
| 接下來，我將計算 Bootstrap 值。 |
| 校準後的Satterthwaite估計值，我將透過以下方式實現： |
| 前往我的外掛程式並點擊 Bootstrap Calibrated |
| 那裡有置信區間。因此，我們可以從這裡估計出 |
| 模擬次數。 |
| 2500 是一個 |
| 推薦號碼相對於預設號碼。它也是 |
| 其他一些仿真平台中的預設值和 |
| 在 JMP Pro 中。我將選擇 |
| 這個。但要注意的是，這需要一些 |
| 需要時間來完成這項工作，因此，為了節省時間。 |
| 我打算提前結束這一切。 |
| 這就是我們的 |
| 校準區間，校準信賴上限和信賴下限 |
| 報告中新增了限制條件。 |
| 那麼，讓我們回顧一下當時發生了什麼事。 |
| 我打算再補充一次。 |
| 現在，插件有一點要注意。 |
| 一旦運行它，就會出現這種情況。 |
| 它是否增加了 |
| 將此模擬公式新增至資料表中，以便您可以看到 |
| 此處為模擬公式。 |
| 當插件關閉時， |
| 模擬公式消失了。 |
| 那裡的模擬公式利用了另一個 |
| 新增功能… |
| 在 JMP Pro 的混合模型平台中，這就是保存操作。 |
| 模擬公式功能 |
| 這裡。所以這樣做可以讓你保存… |
| 模擬公式，然後 |
| 例如，用它來模擬 |
| 這些值就在這裡。所以，我們可以用我們的“Y”替換“Y”。 |
| 新的模擬公式， |
| 然後運行它。所以當你運行這個插件時，就會出現這種情況。 |
| 所有操作都在背景完成。但這就是插件的運作方式。 |
| 關於計算這些區間。所以我打算停下來。 |
| 這麼早就這麼做，再次是為了節省時間。 |
| 現在我們看到這些樣品。 |
| 分別估算。 |
| 模擬。那麼，該插件的工作原理是怎麼樣的呢？ |
| 這需要所有這些條件。 |
| 它會計算出上限和下限的新估計值。 |
| 從此開始，Satterthwaite 區間的下部 |
| 估計值和標準誤差，替換不同的 |
| α 值。所以我們的目標是 0.05，對嗎？ |
| 這樣我們就能得到 95% 的上限和下限，以及它是什麼。 |
| 它的作用是找到 |
| 一個能達到 95% 覆蓋率（即 95% 命中率）的 alpha 值 |
| 以及5%的失誤， |
| 換上這個，就能得到校準後的時間間隔。 |
| 希望您喜歡觀看，也希望它對您有所幫助。 |
| 我們進行了一些模擬研究，我們發現… |
| 就是 |
| 您可以在這裡看到四個運算符的區間。 |
| 其中 12 天作為我們的隨機組成部分， |
| 我們已經錯過了大約 |
| 7%，也就是92.8%的命中率。這比所有……都好。 |
| 其他，包括這個，所以是線性組合，即 |
| 就是標準的薩特斯韋特間隔 |
| 基於線性分量的組合以及 |
| Bootstrap 分位數，即偏差校正後的區間 |
| 經過偏差校正和加速的間歇訓練，但正如你將看到的。 |
| 這些間隔時間都有所改善，所有這些間隔時間都是如此。 |
| 隨著您增加操作員數量 |
| 4 到 8，天數從 12 到 24。因此，增加 |
| 這些隨機成分的水平 |
| 結果會更好、更多 |
| 對置信限的估計非常準確，而且非常準確 |
| 我們現在擁有 |
| 這裡有一個方法 |
| 這等價於 |
| 只是，對於一個 |
| α值為0.05。 |
| 所以，這種性能的提升當然是在… |
| 成本之一就是時間間隔的長度。 |
| 所以你在這裡可以看到， |
| 我們 |
| Bootstrap 校準結果與我們所有的區間都吻合良好。 |
| 當營運商數量不斷增加時， |
| 區間長度長得多 |
| 比起較小的情況，它更接近 0。 |
| 操作員數量。你可以看到，這個數字逐漸變小。 |
| 此外，就是這裡這片藍色區域。對於……來說確實如此。 |
| 所有這些，但對於以下情況尤其如此： |
| Bootstrap 校準區間。您可以看到這一點。 |
| 這裡是長尾效應。 |
| 平均而言，使用這種方法你會得到更長的長度。 |
| 你的方法雖然可行，但你的方法比較準確。 |
| 更深入地探究一下，你可以在這裡看到。 |
| 這種長度增加對於四個操作員來說都是成立的，因為 |
| 還有八位營運商，這意義重大。 |
| 具有統計學意義。 |
| 我查看的另一件事是， |
| 這是增加重複次數的效果，所以差異 |
| 在兩次重複和五次重複之間，你會看到什麼 |
| 事實是，這裡根本沒有 |
| 區別。所以，綜觀全局。 |
| 來自不同的組合集合 |
| 四名操作員和兩名銷售代表，或四名操作員和五名銷售代表，約 6 |
| 總測量值與 3 次測量值相比，我們真的沒有 |
| 獲得任何東西。這些都等同於其他結果。 |
| 所以，你需要注意這一點，你會看到一些改進。 |
| 增加操作員數量時準確率會降低，而且你 |
| 增加數量後，並沒有看到任何改善 |
| 重複。 |
| 我想提一點， |
| 改進這些結果的可能性是 |
| 我們可以使用分數隨機權重自助法（Fractional Random Weight Bootstrap）來實現這一目標。 |
| 很高興能夠及時實現這一點。 |
| 這次會議。我們沒能做到這一點，沒能參加這次會議。 |
| 並將其應用於隨機方差分量，因此我們 |
| 希望將來能夠做到這一點，甚至可能 |
| 與 Bootstrap 校準區間相比有所改進。 |
| 然後，在……之前，我還想強調另一件事。 |
| go 是新的 |
| MSA 設計器已新增至 JMP 16 中，因此 |
| 從這裡我們可以做的就是迅速地 |
| 為了能夠創造自己的設計， |
| 執行我們自己的MSA或 |
| 量具R&R分析。那麼，讓我來看一下，我用三個來做。 |
| 操作員和五個部分。 |
| 我會給這些貼上標籤。 |
| A、B 和 C。 |
| 我們每項重複一次。所以一共兩次。 |
| 測量總數。 |
| 所以這裡有一張表格，上面列出了我們的 |
| 設計。我能做的就是按下這個按鈕來非常 |
| 迅速將訊息發送給各個運營商，有 |
| 請他們填寫各自的部分，然後寄給我。 |
| 然後我還可以補充 |
| 將這些結果綜合起來。 |
| 所以我先整理一下這個，因為我這邊還有另一張表格。 |
| 我已經提前做好這些了。所以我只需要添加這些。 |
| 那邊的值。現在，我們從表格中的腳本來看… |
| 可以快速輕鬆地進行我們自己的測量系統分析 |
| 以及量規的重新安裝和修復。希望這對您有所幫助。希望您 |
| 繼續享受本次會議的精彩演講！非常感謝！ |
| 非常適合聆聽。 |
