Différences dans les résultats GRR entre JMP et MINTABCe problème a provoqué une confusion à long terme et n’a pas été fondamentalement résolu.
0. Les résultats de l'analyse de variance sont exactement les mêmes, à l'exception des résultats des composantes de variance qui sont différents. Cependant, MINITAB effectuera deux analyses de variance (avec et sans interaction).
1. L'aide de Minitab contient les formules suivantes pour la méthode de calcul des composantes de la variance, mais elle n'explique pas de quelle méthode il s'agit, EMS ou REML. D'après mes vérifications, lorsqu'une valeur négative apparaît, elle sera forcée à 0. L'aide de JMP n'explique pas la méthode spécifique de calcul des composantes de la variance.
2. Dans JMP, il y aura deux résultats de composante de variance comme indiqué dans la figure ci-dessous, et les résultats sont également différents. Je ne sais pas pourquoi.
3. Une chose est sûre, les résultats de MINITAB sont cohérents avec ceux du manuel MSA.
Ingénierie de la qualité et des procédésRé: Différences dans les résultats GRR entre JMP et MINTABAvez-vous lu la documentation JMP ?
Il existe également des publications communautaires sur ce sujet :
Vous pouvez également forcer JMP à avoir des résultats similaires à ceux de Minitab, mais vous devez partiellement le scénariser vous-même (forcer l'utilisation d'EMS, supprimer l'interaction...).
Ré: Différences dans les résultats GRR entre JMP et MINTABMerci, j'ai lu ceux-ci.
Je sais qu'il existe trois méthodes : EMS, REML et Bayes. Selon l'aide de JMP, si les données sont équilibrées et qu'il n'y a pas de valeurs négatives, la méthode EMS sera utilisée. Mais elle ne peut toujours pas obtenir le même résultat que MINITAB. Vous pouvez l'essayer.
Ré: Différences dans les résultats GRR entre JMP et MINTABSalut @Xinghua : je ne suis pas sûr de répondre à ta question.
1. La formule que vous voyez dans Minitab est EMS. Et il n'existe pas de formule sous forme fermée pour REML ; la solution REML est trouvée numériquement.
2. La section Var Comp pour Gage R&R dans JMP est basée sur la somme des composants de variance dans les composants de variance de la section ci-dessus.
Répétabilité = Dans
Reproductibilité = Inspecteur + Inspecteur*Échantillons
Partie à partie = échantillons
Et Gage R&R = Répétabilité + Reproductibilité
En quoi les compositions de variables dans Minitab sont-elles différentes de celles de JMP ?
Ré: Différences dans les résultats GRR entre JMP et MINTAB
Merci beaucoup. Je ne suis pas un statisticien professionnel. Je veux juste savoir comment répondre aux clients lorsqu'ils posent des questions sur des résultats incohérents. L'algorithme de MINITAB est conforme au manuel AIAG MSA.
De plus, selon la description de l'aide JMP, lorsque les données sont équilibrées et que les composantes de variance calculées ne sont pas négatives, la méthode EMS sera utilisée. Mais selon ma vérification, les résultats de MINITAB et JMP sont toujours différents. Généralement, nous faisons du GRR avec 3 personnes * 3 fois * 10 échantillons.
Ré: Différences dans les résultats GRR entre JMP et MINTABSalut @Xinghua : Si j'utilise l'ensemble de données « 2 facteurs croisés » dans le dossier Données de variabilité du dossier Données d'exemple JMP, JMP donne exactement les mêmes résultats que Minitab.
Ré: Différences dans les résultats GRR entre JMP et MINTABMerci. Je l'ai vérifié et ils sont exactement les mêmes que ce que vous avez dit. J'ai remarqué que son effet d'interaction est significatif (inspecteurs * pièces). Dans le processus réel, je n'ai jamais vu d'effet d'interaction significatif.
Cela peut être la cause fondamentale de la différence, car si l'effet d'interaction n'est pas significatif dans MINITAB, il y aura un autre type de méthodes de calcul. Je vais continuer à le vérifier.
Ré: Différences dans les résultats GRR entre JMP et MINTABJe l'ai vérifié à nouveau. Son effet d'interaction n'est pas significatif.
Après avoir forcé l'effet d'interaction à être inclus dans la composante de variance (même si l'effet d'interaction n'est pas significatif dans l'ANOVA), les résultats de JMP et d'EXCEL sont exactement les mêmes.
Il s'agit peut-être d'une erreur de MINITAB, car le manuel AIAG MSA ne précise pas « Lorsque l'effet d'interaction n'est pas significatif, comment faire... ».
Ré: Différences dans les résultats GRR entre JMP et MINTABBonjour @Xinghua : Je ne suis pas sûr que je qualifierais ce genre de choses d'« erreurs ». Bien que le manuel AIAG MSA soit une référence courante pour ce genre de problèmes, il ne doit pas être considéré comme correct au détriment d'autres méthodes et d'autres façons d'aborder le problème. Et on pourrait faire valoir dans un sens ou dans l'autre s'il faut inclure l'interaction ou non, si elle n'est pas « significative ».
Cela dit, je reconnais également votre dilemme : comment répondez-vous aux clients lorsqu'ils vous posent des questions sur des résultats incohérents ? La méthode EMS est une méthode plus ancienne que REML etc. ; elle peut être mise en œuvre sans aucun type d'algorithme numérique sophistiqué. c'est-à-dire qu'il existe des formules. Ce n'est pas la « meilleure » méthode ni la seule méthode. Elle est cependant simple et adaptée à l'objectif (d'où son attrait dans de tels manuels). Inclure ou ne pas inclure le terme d'interaction ? Bonne question. Je ne veux pas m'aventurer trop loin dans ce terrier du lapin. Mais l'argument de ne pas l'inclure est simple ; si l'effet d'interaction est négligeable (comme on pourrait le déduire du fait qu'il n'est pas significatif), pourquoi l'inclure ? D'un autre côté, si nous considérons l'analyse des composantes de la variance comme un problème d'estimation (plutôt qu'un problème de test de signification), alors on peut plaider en faveur de l'inclusion de l'interaction (indépendamment de la signification).
Ré: Différences dans les résultats GRR entre JMP et MINTABIl existe plusieurs façons d'aborder un problème. Posez la question à 10 personnes différentes et vous obtiendrez 10 réponses différentes, aucune d'entre elles n'étant fausse. (À moins que la personne à qui vous posez la question ne soit simplement mal informée, je suppose.)
Pour des cas comme celui-ci, vous devez utiliser la méthode que votre client vous demande d'utiliser. C'est aussi simple que cela. S'ils veulent la méthode manuelle MSA, donnez-la-leur. S'ils veulent Minitab, donnez-la. S'ils veulent JMP, donnez-la. S'ils ont un modèle Excel, utilisez-le. Etc.
Maintenant, pour votre propre approbation interne des systèmes de mesure, vous pouvez définir la méthode, puis choisir celui que vous connaissez le mieux. Si un système de mesure est bon, il devrait passer toutes les méthodes.
Personnellement, j'aime les approches de Wheeler et la méthode des cartes de contrôle pour évaluer les systèmes de mesure. C'est simple et facile à comprendre et à appliquer. Toutes ces statistiques énumératives créent de la confusion et des débats inutiles, comme vous l'avez démontré.
Bonne chance, j'aime la communauté ici et il semble qu'un bon travail de détective ait été effectué pour comparer toutes les méthodes. Un effet d'interaction significatif signifie que le MSA échoue de toute façon. Nous ne voudrions jamais que la mesure de la pièce dépende de la personne qui a pris la mesure. Donc, si la différence entre JMP et Minitab n'est causée que par un effet d'interaction significatif, alors peu importe la valeur p ou la somme des nombres des carrés. Le MSA échoue, point final. Apportez quelques améliorations à la méthode afin d'obtenir les mêmes résultats de tous les opérateurs, puis refaites le MSA pour confirmer qu'il réussit maintenant sans interaction significative.
Ré: Différences dans les résultats GRR entre JMP et MINTABBonjour @Xinghua et @MRB3855 ,
Désolé d'intervenir, mais je voulais apporter quelques commentaires sur la discussion ici :
- À mon avis, le « choix » d'analyser vos expériences avec ou sans interactions (avec interaction « opérateur*partie » par exemple) est imposé par la manière dont vous avez conçu vos expériences. Si vous avez généré un DoE pour votre étude MSA où les interactions à 2 facteurs sont incluses dans le modèle supposé, vous devez analyser vos résultats MSA avec cette interaction, peu importe si cette interaction est statistiquement significative ou non.
Il ne s’agit pas d’une question de construction ou d’affinement d’un modèle, mais d’une question d’évaluation des sources de variance sur la base d’un ensemble spécifié d’expériences qui répondent à un besoin spécifique.
- Différencier la signification statistique de la signification pratique ; dans cette situation MSA, vous étudiez l'importance relative des sources de variance comme la répétabilité, la reproductibilité... Une source de variance qui n'est pas statistiquement significative peut néanmoins être pratiquement significative ! L'évaluation nécessite une expertise du domaine lié à l'équipement étudié pour évaluer et valider la répartition des sources de variance et la taille/ampleur relative de ces variances.
- La communication et la visualisation sont essentielles. Comme l'a mentionné @awelsh , si vous devez communiquer vos résultats (et en particulier à des non-statisticiens/data scientists), je ne suis pas sûr que fournir des résultats d'analyse bruts ait du sens pour eux (et comparer les résultats entre deux logiciels à la décimale n'est pas pertinent pour eux). Les graphiques Moyenne et Plage/Écart-type sont utiles pour détecter les problèmes liés à la répétabilité et à la reproductibilité (le cas échéant) :
Ce que les parties prenantes veulent savoir, ce sont les résultats pratiques de votre analyse : quelles sont les principales sources de variation ? Si l'équipement/la réponse est très bruyant, sur quel aspect (répétabilité/reproductibilité) doivent-ils concentrer leurs efforts ? S'ils ont plusieurs protocoles/réponses, comment se comportent-ils les uns par rapport aux autres ?
Sur ce dernier point, j'aime aussi beaucoup les classes Wheeler comme @awelsh , car avec la visualisation on peut très rapidement montrer et classer différentes réponses en fonction de leur "qualité informationnelle" (exemple ici sur un cas d'utilisation réel anonymisé) :
Je trouve qu'il est beaucoup plus clair de comprendre, de comparer et de classer les différentes réponses.
- L'AMS est un recueil de bonnes pratiques et de lignes directrices, mais selon le contexte et les paramètres de l'industrie, vous pouvez avoir des normes, des lignes directrices ou des restrictions différentes à respecter. Collaborez avec des experts du domaine et des parties prenantes pour adapter votre méthodologie aux conditions de l'environnement réel. La sélection (et le nombre) des différentes parties est particulièrement cruciale, car vous pouvez vous retrouver avec une étude MSA ratée si vos lots/parties sont trop proches/similaires les uns des autres et ne sont pas représentatifs de la population, car la variance liée à la reproductibilité et à la répétabilité peut sembler « gonflée » par rapport à la composante de variance d'une partie à l'autre.
Ces points ne répondront pas à vos questions directes, mais je les ai trouvés pragmatiques et rationnels dans le cadre des études MSA. Je suis sûr que @statman aurait également beaucoup à dire.
Ré: Différences dans les résultats GRR entre JMP et MINTABMerci beaucoup.
La méthode Wheeler que vous avez mentionnée, vous voulez dire EMP ?
Ré: Différences dans les résultats GRR entre JMP et MINTABOui, et je mentionne spécifiquement la légende de classification du moniteur, qui fait partie du rapport de résultats EMP .
Il offre une manière résumée d'afficher, de comparer et de classer plusieurs équipements en fonction de leur capacité à détecter la force d'un signal.
