Salut, mon nom est Colleen McKendry, et I suis a senior statistique écrivain à JMP, mais I aussi comme à expérience avec fonctionnel données. Ce présentation est un extension de quand Éclair était inspiré par a présentation que était initialement fait dans 2020 titré Mesures Systèmes Analyse pour Courbe Données.
Là était aussi a légèrement plus tôt présentation à a JSM conférence dans 2019. Mon parler est essentiellement comment I serait aller à propos résoudre le problèmes que étaient présenté dans ceux original papiers. Je vais discuter eux a petit peu plus plus tard aussi.
D'abord, a petit peu de arrière-plan sur mesures systèmes analyse. MSA études déterminer comment Bien a processus peut être mesuré avant à étudier le processus elle-même. Donc il réponses le question, comment beaucoup mesures variation est contribuant à le dans l'ensemble processus variation.
Spécifiquement, le Jauge R&R méthode, lequel Je vais être en utilisant plus tard dans ce analyse, détermine comment beaucoup variation est exigible à opération variation contre mesures variation. Ces types de études sont important et ils sont souvent requis à être effectué avant à n'importe lequel taper de statistique processus contrôle ou conception de expériences.
A Jauge R&R classique MSA modèle est montré ici. Pour a donné mesures, ton réponse, Y sous I K est le Kth mesures sur le Avec partie. Dans ce modèle, toi avoir a signifier terme et a aléatoire effet que correspond à le partie et ton terme d'erreur.
Le aléatoire effet dans le erreur terme sont normalement distribué aléatoire variables avec signifier zéro et quelques correspondant variance composants. Ce est simplement a aléatoire effets modèle, et nous peut utiliser que modèle à estimation le variance composants, et alors utiliser ceux variance composant estimations à calculer le % jauge R&R en utilisant le formule c'est montré sur le écran.
Ici nous avoir le même modèle mais le croisé version. Pour ton réponse, Y sous IJK , c'est en allant à être le Kth mesures fait par le Jth opérateur sur le sur le Avec partie. A gagner, nous avoir a signifier terme, a aléatoire effet que correspond à le partie, et maintenant nous avoir a aléatoire effet que correspond à le opérateur, et a aléatoire effet que correspond à le croix terme, lequel est le interaction entre le opérateur et le partie, et de cours, notre erreur terme.
Tous de ces aléatoire effets sont normalement distribué aléatoire variables avec signifier zéro et quelques correspondant variance composant. Donc juste comme dans le classique modèle, ce est juste a aléatoire effets modèle, et nous peut estimation le variance composants et utiliser eux à calculer le % jauge Repos et détente.
Dans les deux de le modèles que I juste décrit, le réponse ou le mesures était a célibataire indiquer. Mais quoi ça arrive si ce n'est pas le cas? Quoi si ton mesures est quelque chose comme a courbe plutôt? Ce était le motivation derrière ceux initial présentations dans 2019 et 2020 que I parlé à propos de.
Là était a client de JMP que était a fournisseur de automobile parties, et ils avait a client que spécifié que a partie nécessaire à avoir a spécifique forcer par distance courbe. Évidemment, le client recherché à correspondre leur client spécifié courbe, et donc ils recherché à courir a fonctionnel réponse BICHE analyse dans JMP à conception leur produit à faire que.
Cependant, avant dépenses le argent sur ce taper de expérience, ils d'abord recherché à effectuer un MSA sur leur capacité à en fait mesure le parties forcer. Il y a a parcelle plus détails dans le papier noté à le bas, donc si tu es intéressé dans plus de le arrière-plan, s'il te plaît voir que.
Ce est quoi le données apparence comme. Nous avoir forcer sur le Y axe et distance sur le X axe, et le courbes sont coloré par partie. Il apparence comme là sont seulement 10 courbes, mais là sont en fait 250 courbes dans total. C'est juste que a parcelle de le courbes sont groupé ensemble.
Dans le données, là étaient 10 parties, cinq opérateurs, et cinq réplications par partie opérateur combinaison. I juste recherché à note que ce est simulé données, et c'est simulé à regarder similaire à le réel données, mais que nous ne sont pas partage n'importe lequel propriétaire données ici.
A peu fonction caractéristiques que I recherché à indiquer dehors, le fonctions sont en fait tous différent longueurs, donc ils avoir a différent nombre de observations dans leur courbe. Bien que le fonctions étaient collecté à également espacés temps intervalles, ils étaient pas collecté à également espacés distances. Que moyens il y a Non vrai réplication dans termes de distance.
Quand ce projet était d'abord présenté, un de le original idées jeté dehors était si nous pourrait prendre a ensemble de distance emplacements et faire a standard jauge R&R MSA à chaque de ceux emplacements et alors résumer que information pour a final résultat.
Le problème avec que est que si nous choisi a spécifique emplacement, là n'était pas a garantie que là serait être un observation pour chaque de ceux courbes parce que là n'était pas réplication pour le distance. Un autre problème c'est plus généralisé est avec ce taper de courbe données, faire indiquer sage analyse comme que fait pas prendre dans compte le dans fonction corrélation.
Heureusement, il y a a entier champ de statistiques dédié à ce taper de données appelé fonctionnel données analyse. Là sont a variété de techniques à poignée inégalement espacés données. A parcelle de ceux techniques sont maintenant disponible dans JMP à travers le Fonctionnel Données Explorateur plate-forme.
Le question devenu, peut fonctionnel données méthodes être combiné avec traditionnel MSA méthodes à effectuer quelques taper de fonctionnel mesures systèmes analyse? Ce était le solution que était présenté dans le plus vieux papiers que I référencé. Ce est juste en allant à être a petit peu de a revoir de quoi ils a fait.
D'abord, a pénalisé spline modèle était ajuster à estimation le partie forcer fonctions et donc là étaient 10 fonctions que étaient estimé, moyenne sur opérateur et répliques. Alors ces fonctions étaient soustrait depuis le original forcer fonctions à obtenir a ensemble de résiduel forcer fonctions. Ces résiduel fonctions Non plus long contenir n'importe lequel variation exigible à le partie. Tous de le variation dans ceux résidus étaient exigible à le opérateur et le répliques.
Ils alors ajuster a aléatoire effets modèle à le résidus à obtenir le correspondant variance composants depuis le modèle. A graphique méthode était alors utilisé à trouver le le plus petit partie variance à utiliser comme un estimation pour le partie variance composant.
Ce était alors utilisé à calculer a taper de pire cas scénario % jauge Repos et détente. Ce méthode ils travaillé assez Bien. Ils a obtenu résultats que fait sens et le client était heureux. Mais ce était juste a généralisation de a standard MSA avec quelques fonctionnel composants saupoudré dans.
Quand I regardé à ce données et quand I regardé à le problème, I recherché à essayer à prendre a plus traditionnel fonctionnel approche. I avoir a arrière-plan dans fonctionnel données analyse, et que est quoi mon thèse était sur, spécifiquement fonctionnel mixte modèles. Là était a chapitre dans mon thèse dédié à estimation et essai le variance composants depuis fonctionnel mixte modèles.
I a fait que par en expansion le fonctionnel modèle en utilisant propre fonction ou base fonction extensions et réécriture il comme a mixte modèle et alors en utilisant connu techniques à estimation ceux variance composants. I commencé à pense, pourrait I utiliser le même taper de technique?
I ne le faites pas besoin a complet mixte modèle. I seulement avoir aléatoire effets ici. Peut I créer a fonctionnel aléatoire effets modèle pour le partie et opérateur variance composants?
Ce est quoi I est venu en haut avec pour a fonctionnel MSA à travers modèles, depuis nous faire avoir un opérateur terme. Pour fonctionnel modèles, ils sont ensemble en haut a petit peu différemment parce que ils sont tous basé autour le saisir. Dans ce cas, ton réponse, Y sous IJK est le Kth reproduire fait par le Jth opérateur sur le avec partie, mais ce temps à a particulier distance, D.
Nous avoir a fonctionnel signifier terme, a fonctionnel aléatoire effet que correspond à le partie, a fonctionnel aléatoire effet que correspond à le opérateur, et a fonctionnel aléatoire effet que correspond à le croix terme et notre erreur terme.
Dans ce méthode, I soustraire le signifier terme sur, et donc Je suis gauche avec ce ensemble de résidus, et c'est quand Je suis en allant à modèle. Ce ici représente le propre fonction expansion de le fonctionnel modèle. Étaient en allant à avoir capital B propre fonctions et somme tous de ceux parties ensemble à créer ce grand long aléatoire effets modèle.
Mais pour un propre fonction, quoi est montré dans ces supports est le expansion. Pour chaque fonctionnel aléatoire effet, c'est diviser dans deux parties. Nous avoir a fonctionnel partie et alors juste a régulier partie. Le fonctionnel partie est pris soins de par évaluer ceux propre fonctions. Alors nous avoir juste standard aléatoire termes pour le partie, le opérateur, et le croix terme.
Alors quoi ce essentiellement fait est toi construire ce long aléatoire effets modèle, et alors toi avoir a nombre de variance composants pour chaque terme. Pour le MSA, là volonté maintenant être trois ensembles de capital B variance composants. Il y a en allant à être capital B partie variance composants, capital B opérateur variance composants, et capital B croix terme variance composants.
Parce que de le chemin propre fonctions sont structuré, ils sont connu à être indépendant et donc nous peut supposer que basé sur comment nous structuré le modèle, tous de ces variance composants sont en fait indépendant depuis chaque autre aussi. Que moyens nous peut somme eux ensemble à obtenir ces fonctionnel variance composants.
Depuis étaient juste sommation eux ensemble, nous peut aussi remplaçant eux dans le formule pour le % jauge R&R et calculer que juste comme nous a fait dans le standard modèles.
Comment faire I en fait faire ce dans JMP? Bien, c'est a multi étape processus. Je suis en allant à brièvement contour il ici, et alors Je suis en allant à faire a démo pour toi. D'abord, Je suis en allant à estimation le signifier courbe dans FDE et obtenir le résiduel courbes. Je suis alors en allant à modèle ceux résiduel courbes sert aussi un FDE à obtenir le propre fonctions nécessaire pour le propre fonction expansion.
Je suis en allant à sauvegarder ceux propre fonctions à le original données tableau et utiliser eux dans FitMix. En utilisant FitMix, Je suis en allant à ajuster a aléatoire effets modèle à le original données en utilisant nidification et le propre fonctions à définir le approprié modèle caractéristiques.
Avec un peu de chance, que tous fait a petit peu plus sens une fois I démo il. Étaient en allant à sortie dehors de ici. Ici est notre données, et nous avoir a colonne pour le IDENTIFIANT variable, a colonne pour le partie variable que définit le 10 parties, le opérateur, lequel définit le cinq opérateurs, notre distance colonne, et notre forcer colonne.
Juste comme a rappel, ce est quoi le données regardé comme. Mon d'abord étape est à estimation le signifier fonction de le forcer courbes et alors utiliser que à obtenir quelques résidus. À faire que, Je suis en allant à modèle le forcer fonctions dans FDE. Je suis en allant à aller à le Analyser menu, Spécialiser Modélisation et sélectionner Fonctionnel Données Explorateur.
Je suis en allant à définir forcer comme mon sortir, distance comme mon saisir. Alors parce que I vouloir le signifier fonction moyenne sur tous de le identifiants, Je suis pas en allant à spécifier un IDENTIFIANT fonction ici. Je suis en allant à cliquez D'accord. Nous avoir notre basique introduction FDE rapport. Mais I vouloir à ajuster a modèle, donc I peut aller à le rouge triangle menu, modèles.
Techniquement, toi pourrait ajuster n'importe lequel de ceux modèles. I juste choisi a B spline parce que c'est d'abord, c'est facile, et ça va juste prendre a peu secondes à courir ici. D'accord, donc voici notre modèle ajuster. Il y a a rouge doubler ici c'est joli dur à voir, mais que est quoi est le signifier fonction, le estimé signifier fonction. Je suis en allant à donner toi a mieux image de que dans a minute ou donc.
Mais I en fait vouloir à sauvegarder le fonctions pour ce mème. I peut faire que par en allant à ce Fonction Résumés rapport. I peut cliquez le rouge triangle menu et sélectionner Personnaliser Fonction Résumés. I seulement vouloir le même formules, donc Je suis en allant à désélectionner eux tous et alors sélectionner de nouveau que un et cliquez D'ACCORD et Sauvegarder.
I obtenir a nouveau données tableau avec quoi apparaît à être ce solitaire petit entrée ici. Là est a caché colonne, donc Je suis en allant à non caché que. Nous avoir a distance colonne et alors nous avoir ce forcer signifier fonctionnel formule. Je suis en allant à prendre a regarder à que, quoi que en fait apparence comme.
Quand nous regarder à le formule colonne, nous peut voir que ce est a fonction de distance. Pour n'importe lequel valeur de distance, ce est en allant à être évalué à donner quoi le signifier fonction est à que distance. Ce formule colonne peut être mettre dans n'importe lequel données tableau que aussi contient a distance colonne. C'est exactement quoi étaient en allant à faire.
Étaient en allant à faire bien sûr ce est mis en évidence. Étaient en allant à droite cliquez et sélectionner copie colonne propriétés. Alors étaient en allant à trouver notre chemin dos à notre original données tableau. Double cliquez à créer a nouveau colonne. Je suis en allant à droite cliquez ici et faire coller colonne propriétés. Maintenant nous avoir le signifier forcer évalué à chaque niveau, chaque distance valeur dans notre données tableau.
Nous peut utiliser que à maintenant trouver notre résiduel fonction. Je suis en allant à double cliquez encore à créer a nouveau colonne et titre il Forcer Résid. Maintenant Je suis en allant à créer mon propre formule colonne que est simplement en allant à être forcer moins le signifier forcer. Je suis en allant à cliquez D'ACCORD. Maintenant nous avoir notre ensemble de résidus et ce est quoi il apparence comme.
Dans le haut graphique, ces lumière gris courbes sont le original fonctions depuis le forcer colonne. Ce rouge doubler est le même rouge doubler que I essayé à montrer toi dans le FDE rapport que était dur à voir, mais ce est quoi que était. C'est le signifier fonction.
Alors le bas graphique dans vert spectacles le résiduel courbes. Ces sont le courbes que Je suis en allant à utiliser à procéder avec mon analyse. Mon suivant étape est en allant à être à modèle le résiduel courbes en utilisant FDE à obtenir le propre fonctions que I besoin pour le modèle expansion. Je suis en allant à aller à le Analyser menu encore, sélectionner Spécialisé Modélisation, Fonctionnel Données Explorateur.
Ce temps Je suis en allant à spécifier le résidus comme le sortir, distance comme le saisir, et I suis en allant à spécifier mon IDENTIFIANT colonne ce temps. Je suis en allant à cliquez D'ACCORD. Nous avoir notre port initial ici, et maintenant I vouloir à ajuster a modèle à ce données. I aller à le rouge triangle menu à regarder à le modèles.
Encore, techniquement, toi peut ajuster n'importe lequel de ces modèles. Dans mon expérimentation, I trouvé que ces haut trois, ils a pris a vraiment long temps à ajuster, et ils n'a pas fournir super super convient pour quoi I nécessaire. Le ondelettes modèles et le direct fonctionnel PCA étaient beaucoup, beaucoup plus rapide et alors que aussi fournir mieux convient.
Le mise en garde avec ceux deux modèles est que ils exiger le données à être sur un uniformément espacés grille. A s I mentionné, quand I introduit le données, c'est pas le cas. Cependant, dans FDE, nous avoir quelques données traitement mesures que aide nous manipuler notre données a petit peu. Nous peut aller à le faire le ménage en haut, réduire, et ce d'abord languette est quoi nous vouloir, et nous peut utiliser que.
Maintenant que juste met il donc que chaque distance valeur a un observation, a a forcer résidus observation. Maintenant nous peut aller devant et ajuster un de ceux modèles. I juste choisi fonctionnelle directe PCA. A s toi peut voir, il était très rapide. Le convenable était super rapide.
Ce fonctionnel PCA rapport est où étaient en allant à obtenir tous de notre information que nous besoin. Mais I était juste en allant à rouleau vers le bas à regarder à le données ajuster a petit peu. Nous peut voir que ces regarder joli bien. Alors si nous regarder à le diagnostique parcelles, ces sont sur le diagonale, le résidus regarder bien. Ce apparence comme a joli bien ajuster, et I peut utiliser ce information depuis le Fonctionnel PCA.
Dans le Fonctionnel PCA rapport, nous avoir a tableau de propres valeurs et alors ces graphiques de notre forme fonctions. Le forme fonctions sont en fait notre propre fonctions. Ils sont juste appelé forme fonctions dans JMP. Comment ces fonctions travail est que ton original saisir, donc distance, est sur le X axe, et alors le propre fonction évaluation est sur le Y axe.
Pour n'importe lequel distance D, tu es en allant à avoir un évaluation à propre fonction 1 , un évaluation à propre fonction 2, et donc sur. Toi peut utiliser le propre fonctions à obtenir... Toi peut utiliser a linéaire combinaison de le propre fonctions à obtenir un estimation de le original fonctions.
Le valeurs propres tableau donne toi un idée de comment beaucoup % de le dans l'ensemble données variation tu es prise dans compte quand toi utiliser a certain nombre de valeur propre, propre fonction appariements. Dans ce cas, le d'abord valeur propre et propre fonction appariement en fait comptes pour 99,9 % de le total variation dans le données, lequel est en fait joli incroyable.
Ce est important dans déterminer comment beaucoup propre fonctions tu es en allant à utiliser pour le base expansion. Typiquement quand tu es sélection a nombre de propre fonctions à utiliser, toi ne le faites pas en fait vouloir à utiliser tous de le propre fonctions que tu es donné.
Toi vouloir à utiliser le moins nombre de propre fonctions que toujours compte pour un adéquat montant de variation dans le données. Ce est parce que le plus propre fonctions toi utiliser, le plus gros ton aléatoire effets modèle est en allant à être, et c'est en allant à être Plus fort à estimation.
Quoi fait comptabilité pour un adéquat montant de variation dans le données signifier? Il peut signifier différent des choses à différent personnes dans différent champs. Typiquement, quand Je suis fonctionnement avec ce, I avoir utilisé dans le passé à propos 90 % comme a couper désactivé. Si I était juste faire ce analyse à faire le analyse, I pourrait seulement prendre ce d'abord propre fonction depuis il explique donc beaucoup, et courir avec que.
Pour démonstration fins, Je suis en allant à prendre le d'abord deux juste donc toi peut voir quoi le modèle expansion apparence comme en utilisant deux propre fonctions. À sauvegarder ces, Je suis en allant à aller à ce Fonction Résumés rapport encore, cliquez sur le rouge triangle menu et sélectionner Personnaliser Fonction Résumés.
I juste mentionné que Je suis seulement en allant à sauvegarder deux de eux, donc I vouloir à entrer deux ici. Je suis en allant à désélectionner ces tous encore et seulement sauvegarder le formules. I peut cliquez D'ACCORD et Sauvegarder et I avoir un autre nouveau données tableau maintenant. Le des choses que I besoin sont en fait caché. Nous vouloir à regarder pour ces forcer résidents forme fonctions lequel représenter notre propre fonctions.
Nous peut non caché ceux donc que ils sont maintenant compris dans notre données tableau. Nous peut prendre a regarder à ces formule colonnes. Juste comme avec notre signifier fonction, ce est simplement a fonction de distance. Pour n'importe lequel valeur de distance, ces formules sont en allant à donner toi quoi le propre fonction valeur est à que distance.
Aussi, comme le principal fonction, nous peut mettre ces formule colonnes dans n'importe lequel données tableau que aussi contient a distance colonne. C'est quoi étaient en allant à faire encore. Étaient en allant à mettre ces formule colonnes dans notre original données tableau.
Étaient en allant à faire bien sûr les deux de ces sont mis en évidence et droite cliquez et sélectionner copie colonne propriétés. Encore, trouver notre chemin dos à notre original données tableau. I vouloir à ajouter deux nouveau colonnes à mon données tableau. Je suis en allant à aller à appels, nouveau colonnes. Étaient juste en allant à titre eux E1 et 2 à représenter le propre fonctions. I vouloir à ajouter deux colonnes et I vouloir à ajouter eux comme a groupe. Je vais cliquez d'accord.
Alors avec ces deux nouveau colonnes mis en évidence, Je suis en allant à droite cliquez et sélectionner coller colonne propriétés. Maintenant nous avoir notre propre fonctions évalué pour chaque distance.
Juste à donner toi un idée, ce est quoi ils regarder comme et c'est le même graphique. C'est presque le même graphique comme quoi était dans le FDE rapport. Étaient juste prise quoi était graphiquement là et maintenant nous avoir le Nombres pour tout, pour chaque valeur ici.
Maintenant nous vouloir à faire le propre fonction expansion et développer notre fonctionnel modèle. Mais quoi fait que modèle en fait regarder comme quand toi avoir deux propre fonctions? Je suis en allant à houblon dos sur à mon diapositives réel rapide et montrer toi quoi le modèle expansion apparence comme quand capital B est égal à 2.
I avoir ce divisé dans a section pour le partie, le opérateur, et le croix terme. Alors dans chaque de ces sections, nous voir que nous avoir a terme que implique propre fonction un et a terme que implique propre fonction deux. Essentiellement, ce moyens que étaient en allant à avoir deux variance composants pour partie, deux variance composants pour le opérateur, et deux variance composants pour le croix terme.
Maintenant Je suis en allant à aller dos à mon données tableau. I vouloir à ajuster ce modèle en utilisant Ajuster Modèle. Je suis en allant à aller à le Analyser menu et sélectionner Ajuster Modèle. I vouloir à spécifier mon personnalité comme le mixte modèle. Maintenant Je suis en allant à spécifier le résidus comme mon ET. Alors Je suis en allant à se déplacer vers le bas à le effets section.
Dans le fixé effets languette, I ne le faites pas avoir n'importe lequel fixé effets et I aussi ne le faites pas avoir un intercepter parce que I signifier terme sur initialement. Maintenant Je suis en allant à se déplacer à le aléatoire effets languette. Ici est où Je suis en allant à utiliser le propre fonctions et le partie et opérateur variables et nid eux dans un approprié chemin à définir le modèle que I juste a montré toi.
Nous peut ajouter les deux de ces propre fonctions et étaient en allant à sélectionner ces et aussi sélectionner partie. Étaient en allant à nid partie dans chaque propre fonction. Alors étaient en allant à faire le même chose pour opérateur et le même chose pour le croix terme. C'est comment étaient en allant à définir notre modèle.
Le dernier chose I vouloir à faire dans ce lancement fenêtre est désélectionner le Sans bornes Variance Composants option. Quand ce est choisi, il moyens que toi peut avoir négatif estimations ou variance composants, et I ne le faites pas vouloir que.
N'importe lequel négatif estimations sont juste en allant à être ensemble à zéro. Maintenant I peut courir ce, et nous avoir notre rapport ici. Ce est le tableau c'est en allant à donner nous notre estimations que nous besoin à calculer le % jauge R&R, mais Je suis en allant à pousser autour le rapport a petit peu d'abord.
Ce réel par prédit parcelle apparence vraiment bizarre à d'abord, mais il fait sens quand toi pense à propos il. Depuis nous ne le faites pas avoir n'importe lequel fixé effets ou un intercepter, quand nous ne le faites pas prendre le aléatoire effets dans compte, notre estimation pour tout est juste zéro. Quand nous faire prendre ceux aléatoire effets dans compte, nous voir que le réel par conditionnel prédit parcelle apparence a parcelle mieux et que ces observations automne joli Bien le long de ce diagonale.
Nous peut aussi prendre a regarder à le conditionnel résiduel parcelles, et nous peut voir que ils sont joli petit et ils sont centré autour zéro. Nous faire avoir quelques déviation depuis ce doubler ici, mais il y a rien super fou à propos le résidus. I sentir d'accord à propos en utilisant ces estimations à calculer le perdant jauge Repos et détente. I en fait tiré ce tableau et mettre il dos dans mon diapositives. Je suis en allant à aller dos à mon diapositives pour le reste de le présentation.
Voici que données tableau, pas données tableau, le rapport tableau que était juste là. Comme toi peut voir, toi avoir a variance composant, S2 variance, composantes, estimations pour partie, deux pour opérateur, et deux pour le croix terme. A s I mentionné quand I était décrivant le modèle, nous peut somme ces ensemble à calculer le fonctionnel variance composants.
Ces spécifique Nombres ne sont pas comme important dans ce analyse comme quoi toi obtenir quand toi mettre eux dans le formule pour le % jauge Repos et détente. Donc quand I faire que, nous obtenir a % jauge R&R de 3.3030. Que est quoi Le bar équipe définit comme un acceptable mesures système. Si ce avait a été mon projet, I serait avoir disparu dos à le client et dit que il semble comme ton mesures le système est précis, toi peut aller devant et procéder avec ton conception de expériences.
C'est essentiellement il pour ce analyse pour ce particulier données. Juste quelques pensées que I avait. Ce résultat était en fait très similaire à le pire cas scénario % jauge R&R que était présenté dans le 2019 JSM présentation. Il était plus haut par juste a peu décimal lieux. Ce serait être vraiment intéressant à comparer ces méthodes et autre données ensembles à voir si ils sont toujours similaire ou si ce était juste a heureux coïncidence.
I ne le faites pas avoir beaucoup expérience à tous avec mesures systèmes, et donc I ne le faites pas avoir n'importe lequel autre données à jouer autour avec ou même vraiment savoir comment à obtenir il. Si personne a n'importe lequel données que ils pense pourrait appliquer à ce taper de projet, n'importe lequel fonctionnel données que aussi ils pourrait vouloir à faire un MSA sur, Identifiant être vraiment intéressé dans audience à propos il.
Pour quelques avenir travail, quelques pensées que I avait était, le d'abord un était, devrait I ajouter a fonctionnel aléatoire effet pour le IDENTIFIANT? Ce est très communément fait dans a parcelle de fonctionnel mixte modèles, à moins dans le champs que I travaillé dans. Ce était a grand contribution dans mon thèse était le utiliser de ce fonctionnel aléatoire effet pour IDENTIFIANT.
Typiquement, ce captures le dans fonction corrélation à travers, dans ce cas, distance. I joué autour avec ce aléatoire effet dans ce données, et chaque modèle I utilisé, le nombre de propre fonctions I utilisé, il n'a pas matière. Le variance composant associé avec ce aléatoire effet toujours est venu dehors à être zéro, et c'est pas utile.
I pense dans ce cas, une fois toi a pris dans compte le variance depuis le partie et le opérateur, là juste n'était pas n'importe lequel variation gauche à compte pour. I ne le faites pas savoir si c'est vrai pour tous fonctionnel MSA études ou si ce était juste vrai pour ce particulier données. Si I était jamais capable à obtenir mon mains sur quelques différent données, ce est certainement quelque chose I serait garder dans esprit à voir si il pourrait être ajouté à a modèle dans n'importe lequel autre données ensembles plus avec succès.
I aussi pense il serait être cool si nous pourrait calculer a confiance intervalle pour le % jauge Repos et détente. Et enfin, I recherché à parler à propos le un chose I n'était pas super heureux avec dans ce projet, lequel était le résidus. Quoi était faux avec eux?
Ces sont graphiques de quelques différent modèles et le résidus pour chaque un. Je suis en allant à aller dos et en avant entre ce glisser et le suivant un. Donc Oui, le résidus sont relativement petit. Ils sont centré autour zéro. Il y a Non fou pointes ou valeurs aberrantes, et c'est bien. C'est quoi nous vouloir.
Cependant, dans tous le modèles I ajuster, I juste toujours n'a pas amour comment ils regardé à travers distance. Regarder à le résidus ce chemin est en particulier important quand fonctionnement avec fonctionnel données. Ce est parce que il peut vraiment montrer quand tu es pas capturer tous le fonctionnel parties de le données.
A parcelle de fois dans fonctionnel données, toi voir ce éventail effet où le résidus sont vraiment bien dans le début, et alors comme toi obtenir vers le fin de ton domaine, ils ventilateur dehors a petit peu. Ce données en fait avait presque le opposé problème. Nous peut voir que le résidus sont a petit peu plus large dans le début de le domaine et obtenir plus proche à zéro comme distance obtient plus grand.
Il y a aussi certainement quelques taper de cyclique modèle dans ces résidus. I ne le faites pas pense c'est le fin de le monde. I pense ils sont super centré autour zéro, mais toi peut voir dans ces graphiques que il y a clairement quelques en haut et vers le bas motifs. Essentiellement quoi que moyens est que Je suis manquant quelque chose. Je suis pas capturer le complet fonctionnel nature de le données, et I ne le faites pas vraiment savoir pourquoi encore.
Identifiant vraiment comme à chiffre que dehors et ajuster un même mieux modèle, si c'est possible avec ce données ou différent données dans le avenir. Je suis pas bien sûr, mais c'est certainement quelque chose I vouloir à dépenser a petit plus temps sur, et Identifiant être ouvrir à n'importe lequel discussion n'importe qui serait comme à avoir à propos il.
C'est il pour moi. Merci pour regarder. Si toi avoir n'importe lequel questions, suggestions, questions ou retour, sentir gratuit à e-mail moi. Remercier toi.
