Hallo,
Mein
Name
Ist
Colleen
McKendry,
Und I Bin a Senior statistisch Schriftsteller bei JMP,
Aber I Auch wie Zu spielen um mit funktional Daten.
Das Projekt Ist An Messung Systeme Analyse für Kurve Daten.
Erste, Ich bin Nur gehen Zu geben a sehr knapp Hintergrund An MSA Studien In allgemein.
MSA Studien bestimmen Wie Also a Verfahren
dürfen Sei gemessen vor Zu studieren Die Verfahren selbst.
Es Antworten Die Frage, Wie viel Messung Variation Ist
beitragen Zu Die gesamt Verfahren Variation.
Speziell, Die Messgerät Erholung Verfahren, welche Ist Was Krank Sei mit In Mein Analyse,
bestimmt Wie viel Variation Ist fällig Zu Betrieb Variation
gegen Messung Variation.
Du dürfen verwenden a Messgerät Erholung gekreuzt MSA Modell Wann Du haben beide a Teil Und ein Operator.
Der Modell Du dürfen sehen Hier für dein Messung Y Unter I J K,
das ist gehen Zu Sei Die Kth Messung gemacht von Die Jth Operator An Die Ith Teil.
In Das Modell, Du haben a bedeuten Begriff,
a zufällig Wirkung Das entspricht Zu Die Teil,
a zufällig Wirkung Das entspricht Zu Die Operator,
Und a zufällig Wirkung Das entspricht Zu Die Interaktion oder kreuzen Begriff.
Du Auch haben ein Fehler Begriff.
Das Ist einfach a zufällig Effekte Modell,
Und alle von diese zufällig Effekte Sind normalerweise verteilt zufällig Variablen
mit bedeuten null Und manche entsprechend Varianz Komponente.
Wann Du fit Das Modell,
Du dürfen verwenden Das Zu schätzen Die Varianz Komponenten
Und Dann verwenden diese Varianz Komponente Schätzungen
Zu berechnen Die Prozentsatz Messgerät Erholung mit Die Formel gezeigt Dort.
In a Standard MSA Studie,
alle von dein Messungen Sind gehen Zu Sei einzel Punkte.
Aber Was passiert Wenn das ist nicht Die Fall?
Was Wenn stattdessen du bist Messung etwas wie a Kurve?
Das Frage War Die Motivation hinter Das Projekt.
Dort War a Kunde von JMP Das War a Anbieter von Automobilindustrie Teile,
Und Sie hatte a Kunde Das angegeben
Das a Teil benötigt Zu haben a spezifisch Gewalt von Distanz Kurve.
Offensichtlich, Die Kunde gesucht Zu Design
ihre Produkt Zu übereinstimmen Die Kunde angegeben Kurve.
In Befehl Zu Tun Das,
Sie gesucht Zu laufen a funktional Antwort DAMHIRSCHKUH Analyse
Und JMP Zu Design ihre Produkt In Befehl Zu Tun Also.
Jedoch, vor Ausgaben Geld An Das Experiment,
Sie gesucht Zu durchführen ein MSA An ihre Fähigkeit Zu messen Die Teile Gewalt.
Dort Sind a viel mehr Details um Die tatsächlich Daten Und Das Problem speziell
In ein früher 2020 Weiß Papier
betitelt Messung Systeme Analyse für Gebogen Daten.
Wenn Du wollen beliebig mehr Einzelheiten, sehen Das hoch.
Es sollen Sei An Die Gemeinschaft.
Das In Das Graph, das ist Was Die Daten Aussehen wie.
An Die Y-Achse, Wir haben Gewalt, Und An Die X-Achse, Wir haben Distanz.
Es Aussehen wie Dort Sind nur 10 Kurven In Das Graph,
Aber Dort Sind Genau genommen 250 gesamt Kurven.
Es gibt Nur manche Clustering gehen An.
Dort Sind 10 anders Teile, fünf anders Betreiber,
Und fünf Replikationen pro Teil Operator Kombination.
A wenig bisschen um Das Daten, offensichtlich,
diese Messungen Sind Kurven Und nicht Punkte.
Der Daten War gesammelt gleichmäßig beabstandet In Zeit, Aber nicht gleichmäßig beabstandet In Distanz.
Dort war manche früher Projekte
Das versucht a wenige anders Wege Zu durchführen manche Typ von MSA Studie An Das Daten.
Sie gebraucht manche funktional Komponenten, Aber blieb hübsch WAHR Zu a Standard MSA.
Wann I sah bei Das Daten, I gesucht Zu nehmen a WAHR funktional Ansatz
Weil I haben a Hintergrund In funktional Daten.
Funktionalität Daten Analyse
Ist nützlich für Daten Das Sind In Die bilden von Funktionen oder Kurven.
Dort Sind viele Techniken Zu handhaben ungleichmäßig beabstandet Daten,
a viel von welche Sind verfügbar In Die Funktionalität Daten Forscher Plattform In JMP.
Mein Ziel War Zu kombinieren funktional Daten Methoden mit traditionell MSA Methoden
Zu durchführen manche Typ von funktional Messung Systeme Analyse.
Mein Lösung War Zu erstellen a funktional zufällig Effekte Modell
von expandierend Die funktional Modell mit eigen Funktion Erweiterung,
Umschreiben Das als a zufällig Effekte oder a gemischt Modell
Wenn Du hatte beliebig behoben Effekte Auch,
Und Dann Schätzung Die Varianz
Komponenten verbunden mit Die Teil Und Operator Bedingungen.
Zu gehen a wenig bisschen hinein Die Modell Notation.
Für dein funktional Modell, Du haben Y Unter I J K,
Aber Das Zeit bei a besondere Distanz, D,
Zu Konto für Die funktional Natur von Die Daten.
Du bist gehen Zu haben a funktional bedeuten Begriff,
a funktional zufällig Wirkung Das entspricht Zu Die Teil,
a funktional zufällig Wirkung Das entspricht Zu Die Operator,
Und a funktional zufällig Wirkung Das entspricht Zu Die kreuzen Begriff
Und Auch dein Fehler Begriff.
Hier, Wann Du Tun Die Modell Erweiterung,
es ist a wenig Mathe, Aber im Wesentlichen,
stattdessen von haben eins Varianz Komponente verbunden mit Die Teil
Und eins Varianz Komponente verbunden mit Die Operator,
Du Jetzt haben mehrere Varianz Komponenten verbunden mit jede von diese Dinge.
Das ist gehen Zu Konto für Die funktional Natur.
Wann du bist Beschlag Die Modell Und Schätzung Die Varianz Komponenten,
wie I sagte, Jetzt du bist gehen Zu haben Das
Satz von Varianz Komponenten Das Du dürfen Summe zusammen
Zu schätzen Die funktional Varianz Komponente für Teil
Und Die Dasselbe Ding für Operator Und Die kreuzen Begriff.
Einmal Du haben alle diese Person Varianz Komponenten,
Du dürfen verwenden diese Zu schätzen Die % Messgerät Erholung Nur wie In a Standard MSA.
Wie Tun I Tun Das In JMP?
Es ist a Multi Schritt Verfahren das ist umrissen Hier,
Und Dort Sind manche mehr Details In andere Folien.
Aber im Wesentlichen, I schätzen Die bedeuten Kurve In FDE Und erhalten Die Rest Kurven.
I Dann Modell Die Rest Kurven In FDE Zu erhalten Die eigen Funktionen benötigt
für Die eigen Funktion Erweiterung von Die funktional Modell
Und speichern diese eigen Funktionen Zu Die Original Daten Tisch.
Ich bin gehen Zu verwenden diese gespeichert eigen Funktionen In FitMix
Zu erstellen a zufällig Effekte Modell
oder a gemischt Modell Wenn Du Auch haben behoben Effekte In dein Daten.
Ich bin gehen Zu verwenden Verschachtelung von Die eigen Funktion Formel Spalten
Und Auch Die um Und Operator Variablen
Zu definieren Die geeignet Modell Spezifikationen.
Das Ist Was dein fit Modell Fenster würde sehen wie.
Einmal I tat alle Das für Das Daten,
I War fähig Zu schätzen Die Varianz Komponenten Und berechnen Die % Messgerät Ruhe und Erholung,
welche In Das Fall War 3.3030.
Das angegeben ein akzeptabel Messung System
nach Zu manche Bereiche Das war definiert In Das Papier von Die Bar Team.
Das War Es für Die Daten Analyse für Mein Teil.
Das Ergebnis War Genau genommen sehr ähnlich Zu a Worst-Case Szenario
Das War erhalten In a Präsentation In 2019.
Es würde Sei interessant Zu wissen Wenn Das War a Zufall
oder Wenn Die Ergebnisse würde Sei ähnlich für anders Daten als Also.
Manche Gedanken Das Das Projekt provoziert.
Sollen Wir hinzufügen a funktional zufällig Wirkung für AUSWEIS
Zu erfassen Die innerhalb Funktion Korrelation über Distanz?
Das Typ von funktional zufällig Wirkung
Ist Genau genommen Wirklich wichtig In funktional Daten
Und Ist a groß Nutzen von Buchhaltung für Die funktional Natur von Die Daten.
Bedauerlicherweise, In Das Daten In besondere.
Jederzeit I erstellt a Modell mit Das Begriff,
Die entsprechend Varianz Komponenten war null,
Also Es nicht Wirklich erfassen irgendetwas Extra, Aber Es würde Sei interessant
Zu sehen Wenn Es könnte Sei nützlich In anders Typen von Daten.
I Auch denken Es würde Sei interessant Wenn Wir
könnte berechnen a Vertrauen Intervall für Die % Messgerät Ruhe und Erholung.
Dort war Auch manche unerheblich, nicht Probleme,
Aber gebracht hoch Fragen von Die Residuen In Die zufällig Effekte Modell.
I beobachtet a zyklisch Natur In diese.
Das ist nicht stets Großartig.
I nicht denken Es War a riesig handeln,
Aber I würde wie Zu haben a Gut Grund für Warum Das War Die Fall.
Das ist Es. Danke für Hören.
Wenn Du wollen mehr Details An Das Projekt,
es ist sehr ähnlich Zu a voll 30 Minuten sprechen Das I präsentiert bei Entdeckung Europa,
Und Also Das Video Ist An Die Gemeinschaft als Also.
Dank Du.
