El MSA utilizado para calcular GaugeR&R recomienda seleccionar Crossed como el tipo de modelo. Este es un método ligeramente diferente en comparación con la evaluación de los efectos principales de Appraiser y Part que muchas hojas de cálculo y herramientas utilizan para calcular Gauge. Entiendo el concepto de efectos cruzados, pero me resulta difícil comprender cómo se realiza el cálculo de la varianza cruzada (es decir, si quiero calcular manualmente para comprender qué impulsa esta fuente de error). Parece que en determinadas situaciones el efecto cruzado puede generar resultados erróneos (inesperados) y no deberíamos utilizar el resultado para juzgar la aceptabilidad del indicador.
En el análisis que se muestra a continuación, tengo un medidor muy bueno (casi ideal) que no produce prácticamente ninguna variación en la resolución del tamaño del paso de medición. Sin embargo, el evaluador 2 midió la pieza 9 de manera constante 0,005 V más baja en comparación con todos los demás evaluadores. Este error está dentro de la tolerancia de 0,9 V, pero el análisis del medidor con efectos cruzados informa que el 61,21 % de la variación de la medición proviene de un efecto cruzado que proviene de este evaluador y de esta pieza. Esto no tiene sentido físico para mí y parece ser un caso especial debido a la baja o nula variación.
En algún momento debe haber un cruce donde este efecto puede comenzar a influir falsamente en los resultados del indicador y estoy tratando de entender cómo interpretar los resultados y en qué casos se debe cambiar el análisis para evitar este artefacto. Parece que puede haber situaciones en las que las matemáticas pueden llevar a conclusiones incorrectas y el efecto cruzado no debería usarse.
Lo siento, no entiendo esto: " ¿Para los fines de R&R, efectos aleatorios por definición"? R&R significa precisión, repetibilidad y reproducibilidad. ¿Qué quiere decir con "efectos aleatorios por definición"? Tampoco entiendo qué quiere decir con "el efecto de factor aleatorio se estima mejor a partir de un diseño anidado". Los diseños anidados o jerárquicos son bastante útiles para los estudios de componentes de variaciones y particularmente útiles para evaluar la estabilidad/consistencia. Si ese es el objetivo del estudio, entonces sí, un estudio anidado es más efectivo. Sin embargo, si está tratando de comprender la estructura causal y desarrollar modelos predictivos, los estudios cruzados son más efectivos (por ejemplo, DOE).
No existe una única forma de realizar un análisis. El análisis adecuado depende de las preguntas que se intentan responder y de cómo se obtuvieron los datos.
Para los fines de R&R, los efectos aleatorios por definición, ¿no tiene sentido ejecutar solo un diseño anidado? No es una cuestión de preferencia, sino de objetivo. En otras palabras, el efecto del factor aleatorio se estima mejor a partir de un diseño anidado. ¿Qué opinas?
Estas son mis reflexiones. En primer lugar, un efecto cruzado es una interacción. Esto significa que el efecto de uno de los términos del modelo depende de otro término del modelo.
Se ha topado con un problema importante en todos los análisis cuantitativos. Se trata de realizar un análisis cuantitativo (por ejemplo, ANOVA) antes de analizar los datos en busca de "puntos de datos y patrones inusuales" antes de interpretar los resultados del análisis cuantitativo. Debe tratar de entender por qué el evaluador 2 obtuvo resultados diferentes para la prueba de uso n.° 9. No veo cómo llega a una conclusión coherente, solo veo un punto de datos, pero, de todos modos, ¿por qué? Dentro de este conjunto de datos, Deming podría llamar a este punto de datos "especial" y Shewhart lo llamaría "asignable".
Los porcentajes son de la tolerancia. Personalmente, no creo que esta sea la única comparación para juzgar un sistema de medición. En mi humilde opinión, es la menos importante, ya que las tolerancias se derivan de forma independiente y, por lo general, sin ninguna perspectiva sobre el proceso de fabricación del producto (o la cantidad de variación del producto). Lo que desea que su sistema de medición pueda hacer es cuantificar la variación en el producto para que esa variación pueda reducirse o predecirse. Para evaluar esto, debe considerar lo siguiente:
1. la discriminación (resolución efectiva),
2. la estabilidad/consistencia,
3. la precisión, repetibilidad y posiblemente reproducibilidad,
del sistema de medición.
El software querrá tener en cuenta este punto de datos inusual. Dado que, como se ve en el gráfico, solo está asociado con un evaluador, se cuantificaría como un efecto de interacción (es decir, el efecto del evaluador depende de qué UUT se mide). No se deje engañar por el tamaño del % (observe que la variación de la parte (UUT) representa el 720,79 % de la tolerancia). No hay mucha variación en el evaluador, la mayor parte de la variación se debe a la UUT (consulte el gráfico del componente de varianza).
Por cierto, uno de los problemas de los estudios cruzados es que suelen ser inadecuados para evaluar la coherencia. Los gráficos de control no manejan los efectos cruzados. Para comprender la coherencia, se prefieren los estudios anidados.
