考虑交叉效应时测量 R&R 的解释用于计算 GaugeR&R 的 MSA 建议选择交叉作为模型类型。与许多电子表格和工具用于计算 Gauge 的仅评估评估员和部分的主要影响相比，这种方法略有不同。我理解交叉效应的概念，但我很难理解如何进行交叉方差计算（即，如果我想手动计算以了解导致此错误源的原因）。在某些情况下，交叉效应似乎会导致错误（意外）结果，我们不应该使用该结果来判断量表的可接受性。
在下面的分析中，我有一个非常好的（几乎是理想的）仪表，它在测量步长分辨率内基本上没有变化。然而，评估员 2 测量的部件 9 始终比所有其他评估员低 0.005V。这个误差完全在 0.9V 的公差范围内，但使用交叉效应的仪表分析报告称，61.21% 的测量变化来自这一位评估员和部件的交叉效应。这对我来说没有物理意义，而且由于变化低/缺乏，这似乎是一个特殊的极端情况。
在某些时候，一定存在交叉，这种效应会开始错误地影响测量结果，我试图理解如何解释结果，以及在什么情况下应该改变分析以避免这种现象。似乎在某些情况下，数学可能会导致错误的结论，不应使用交叉效应。
高级统计建模数据探索与可视化实验设计质量与工艺工程回复：考虑交叉效应时衡量 R&R 解释抱歉，我不明白“就 R&R 目的而言，随机效应的定义”是什么意思？R & R 代表精度可重复性和可再现性。您所说的“随机效应的定义”是什么意思？我也不明白您所说的“随机因子效应最好通过嵌套设计来估计”是什么意思？嵌套或分层设计对于变异研究的组成部分非常有用，在评估稳定性/一致性时尤其有用。如果这是研究的目标，那么是的，嵌套研究是最有效的。但是，如果您试图了解因果结构并开发预测模型，交叉研究会更有效（例如 DOE）。
任何分析都不是单一的方法。适当的分析取决于您要回答的问题，并且完全取决于数据的获取方式。
回复：考虑交叉效应时衡量 R&R 解释就 R&R 目的而言，根据定义，随机效应，仅运行嵌套设计是否没有意义。这不是偏好问题，而是目标问题。换句话说，最好从嵌套设计中估计随机因子效应。有什么想法吗？
回复：考虑交叉效应时衡量 R&R 解释以下是我的想法。首先，交叉效应是一种相互作用。这意味着模型中一个项的效应取决于模型中的另一个项。
您偶然发现了所有定量分析的一个重大问题。即在解释定量分析结果之前，先进行定量分析（例如方差分析），然后再分析数据中的“异常数据点和模式”。您应该设法了解为什么评估员 2 对 UUT #9 得到不同的结果。我不明白您如何得出一致的结论，我只看到一个数据点，但尽管如此，为什么呢？在这个数据集中，戴明可能会称这个数据点为“特殊”，而休哈特会称其为“可分配的”。
百分比是公差。我个人认为这不是判断测量系统的唯一比较。恕我直言，这是最不重要的，因为公差是独立得出的，通常不了解制造产品的过程（或产品变化量）。您希望您的测量系统能够量化产品的变化，以便减少或预测变化。要评估这一点，您必须考虑：
1. 歧视（有效解决），
2. 稳定性/一致性，
3. 精度可重复性，或许可再现性，
测量系统。
软件将要考虑这个不寻常的数据点。因为正如您从图中看到的，它只与一个评估员相关，所以它将被量化为交互效应（即，评估员的影响取决于测量哪个 UUT）。不要被 % 的大小误导（请注意零件变异（UUT）占公差的 720.79%！）。评估员的变异并不大，大部分变异是由于 UUT 造成的（参见方差分量图）。
顺便说一句，交叉研究的一个问题是它们通常不足以评估一致性。控制图不能处理交叉效应。为了理解一致性，最好使用嵌套研究。
