Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABDieses Problem hat langfristig für Verwirrung gesorgt und ist nicht grundlegend gelöst worden.
0. Die Ergebnisse der Varianzanalyse sind genau gleich, außer dass die Ergebnisse der Varianzkomponenten unterschiedlich sind. MINITAB führt jedoch zwei Varianzanalysen durch (mit und ohne Interaktion).
1. Die Minitab-Hilfe enthält die folgenden Formeln für die Berechnungsmethode der Varianzkomponenten, erklärt jedoch nicht, um welche Methode es sich handelt, EMS oder REML. Meiner Überprüfung zufolge wird ein negativer Wert auf 0 gesetzt. Die JMP-Hilfe erklärt nicht die spezifische Berechnungsmethode der Varianzkomponenten.
2. In JMP gibt es zwei Varianzkomponentenergebnisse, wie in der folgenden Abbildung dargestellt, und die Ergebnisse sind auch unterschiedlich. Ich weiß nicht, warum.
3. Eines ist sicher, die Ergebnisse von MINITAB stimmen mit denen des MSA-Handbuchs überein.
Qualitäts- und ProzesstechnikBetreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABHaben Sie die JMP-Dokumentation durchgelesen?
Zu diesem Thema gibt es auch Community-Beiträge:
Sie können JMP auch zwingen, ähnliche Ergebnisse wie Minitab zu erzielen, müssen dafür aber teilweise selbst ein Skript erstellen (Verwendung von EMS erzwingen, Interaktion löschen usw.).
Betreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABDanke, ich habe es gelesen.
Ich weiß, dass es drei Methoden gibt: EMS, REML und Bayes. Laut der Hilfe von JMP wird die EMS-Methode verwendet, wenn die Daten ausgeglichen sind und keine negativen Werte vorhanden sind. Damit lässt sich jedoch immer noch nicht dasselbe Ergebnis erzielen wie mit MINITAB. Sie können es versuchen.
Betreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABHallo @Xinghua : Ich bin nicht sicher, ob ich Ihre Frage beantworte.
1. Die Formeln, die Sie von Minitab sehen, sind EMS. Und es gibt keine Formeln in geschlossener Form für REML; die REML-Lösung wird numerisch gefunden.
2. Der Abschnitt „Var Comp für Gage R&R“ in JMP basiert auf der Summe der Varianzkomponenten in den Varianzkomponenten im obigen Abschnitt.
Wiederholbarkeit = Innerhalb
Reproduzierbarkeit = Prüfer + Prüfer*Proben
Teil zu Teil = Beispiele
Und Gage R&R = Wiederholbarkeit + Reproduzierbarkeit
Wie unterscheiden sich die Var-Comps in Minitab von denen in JMP?
Betreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTAB
Vielen Dank. Ich bin kein professioneller Statistiker. Ich möchte nur wissen, wie ich Kunden antworten soll, wenn sie nach inkonsistenten Ergebnissen fragen. Der Algorithmus von MINITAB entspricht dem AIAG MSA-Handbuch.
Darüber hinaus wird gemäß der JMP-Hilfebeschreibung die EMS-Methode verwendet, wenn die Daten ausgeglichen sind und die berechneten Varianzkomponenten nicht negativ sind. Aber meiner Überprüfung zufolge sind die Ergebnisse von MINITAB und JMP immer unterschiedlich. Im Allgemeinen führen wir GRR mit 3 Personen * 3 Mal * 10 Proben durch.
Betreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABHallo @Xinghua : Wenn ich den Datensatz „2 gekreuzte Faktoren“ im Ordner „Variabilitätsdaten“ im Ordner „JMP-Beispieldaten“ verwende, liefert JMP genau dieselben Ergebnisse wie Minitab.
Betreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABDanke. Ich habe es überprüft und es ist genau dasselbe, wie Sie gesagt haben. Mir ist aufgefallen, dass der Interaktionseffekt signifikant ist (Inspektoren * Teile). Im tatsächlichen Prozess habe ich nie einen signifikanten Interaktionseffekt gesehen.
Dies kann die Hauptursache für den Unterschied sein, denn wenn der Interaktionseffekt in MINITAB nicht signifikant ist, gibt es Berechnungsmethoden anderer Art. Ich werde das weiter überprüfen.
Betreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABIch habe es noch einmal überprüft. Der Interaktionseffekt ist nicht signifikant.
Nachdem die Einbeziehung des Interaktionseffekts in die Varianzkomponente erzwungen wurde (selbst wenn der Interaktionseffekt in der ANOVA nicht signifikant ist), sind die Ergebnisse von JMP und EXCEL genau identisch.
Dies kann ein Fehler von MINITAB sein, da das AIAG-MSA-Handbuch keine Beschreibung enthält: „Wie gehe ich vor, wenn der Interaktionseffekt nicht signifikant ist …“
Betreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABHallo @Xinghua : Ich bin mir nicht so sicher, ob ich diese Art von Dingen als „Fehler“ bezeichnen würde. Obwohl das AIAG MSA-Handbuch eine gängige Referenz für diese Art von Problemen ist, sollte es nicht als richtig angesehen werden, ohne andere Methoden und andere Herangehensweisen an das Problem auszuschließen. Und man könnte in beide Richtungen argumentieren, ob die Interaktion einbezogen werden soll oder nicht, wenn sie nicht „signifikant“ ist.
Allerdings erkenne ich auch Ihr Dilemma: Wie reagieren Sie auf Kundenanfragen zu inkonsistenten Ergebnissen? Die EMS-Methode ist älter als REML usw. und kann ohne jegliche Art von anspruchsvollen numerischen Algorithmen implementiert werden. Das heißt, es gibt Formeln. Es ist weder die „beste“ noch die einzige Methode. Sie ist jedoch einfach und zweckmäßig (deshalb ist sie in solchen Handbüchern so beliebt). Soll der Interaktionsterm einbezogen werden oder nicht? Gute Frage. Ich möchte mich nicht zu weit in dieses Kaninchenloch begeben. Aber die Argumente dafür, ihn nicht einzubeziehen, sind unkompliziert: Wenn der Interaktionseffekt vernachlässigbar ist (was man aus der Nichtsignifikanz schließen könnte), warum sollte man ihn dann einbeziehen? Wenn wir andererseits die Varianzkomponentenanalyse als ein Schätzproblem betrachten (und nicht als ein Problem der Prüfung auf Signifikanz), dann kann man Argumente dafür anführen, die Interaktion einzubeziehen (unabhängig von der Signifikanz).
Betreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABEs gibt mehrere Möglichkeiten, an ein Problem heranzugehen. Fragen Sie 10 verschiedene Leute und Sie werden 10 verschiedene Antworten bekommen, keine davon ist falsch. (Ich nehme an, es sei denn, die Person, die Sie fragen, ist einfach nicht informiert.)
In solchen Fällen müssen Sie die Methode verwenden, die Ihr Kunde von Ihnen verlangt. So einfach ist das. Wenn er die manuelle MSA-Methode möchte, geben Sie ihm diese. Wenn er Minitab möchte, geben Sie ihm diese. Wenn er JMP möchte, geben Sie ihm diese. Wenn er eine Excel-Vorlage hat, verwenden Sie einfach diese. Usw.
Wählen Sie nun für Ihre eigene interne Zulassung von Messsystemen, bei denen Sie die Methode festlegen, einfach diejenige aus, mit der Sie am besten vertraut sind. Wenn ein Messsystem gut ist, sollte es alle Methoden erfüllen.
Persönlich gefallen mir Wheelers Ansätze und die Methode zur Bewertung von Messsystemen mit Kontrolldiagrammen. Sie ist unkompliziert und leicht zu verstehen und anzuwenden. All diese aufzählenden Statistiken sorgen für Verwirrung und nutzlose Debatten, wie Sie gezeigt haben.
Viel Glück, ich liebe die Community hier und es scheint, dass gute Detektivarbeit geleistet wurde, um alle Methoden zu vergleichen. Ein signifikanter Interaktionseffekt bedeutet, dass der MSA sowieso fehlschlägt. Wir würden nie wollen, dass die Messung des Teils davon abhängt, wer die Messung durchgeführt hat. Wenn der Unterschied zwischen JMP und Minitab also nur durch einen signifikanten Interaktionseffekt verursacht wird, spielt es keine Rolle, wie der P-Wert oder die Summe der Quadrate lautet. MSA schlägt fehl, Ende der Geschichte. Nehmen Sie einige Verbesserungen an der Methode vor, damit wir von allen Bedienern die gleichen Ergebnisse erhalten, und wiederholen Sie dann den MSA, um zu bestätigen, dass er jetzt ohne signifikante Interaktion erfolgreich ist.
Betreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABHallo @Xinghua und @MRB3855 ,
Entschuldigen Sie, dass ich mich einmische, aber ich wollte hier einige Kommentare zu der Diskussion abgeben:
- Meiner bescheidenen Meinung nach hängt die „Wahl“, ob Sie Ihre Experimente mit oder ohne Interaktionen (z. B. mit „Bediener*Teil“-Interaktionen) analysieren möchten, davon ab, wie Sie Ihre Experimente gestaltet haben. Wenn Sie für Ihre MSA-Studie ein DoE erstellt haben, bei dem 2-Faktor-Interaktionen im angenommenen Modell enthalten sind, sollten Sie Ihre MSA-Ergebnisse mit dieser Interaktion analysieren, unabhängig davon, ob diese Interaktion statistisch signifikant ist oder nicht.
Es geht nicht darum, ein Modell zu erstellen bzw. es zu verfeinern, sondern darum, die Varianzquellen auf der Grundlage einer festgelegten Reihe von Experimenten zu ermitteln, die einen bestimmten Bedarf decken.
- Unterscheiden Sie zwischen statistischer Signifikanz und praktischer Signifikanz. In dieser MSA-Situation untersuchen Sie die relative Bedeutung von Varianzquellen wie Wiederholbarkeit, Reproduzierbarkeit usw. Eine Varianzquelle, die nicht statistisch signifikant ist, kann dennoch praktisch signifikant sein! Die Bewertung erfordert Fachwissen im Zusammenhang mit der untersuchten Ausrüstung, um die Verteilung der Varianzquellen und die relative Größe/Ausmaße dieser Varianzen beurteilen, bewerten und validieren zu können.
- Kommunikation und Visualisierung sind der Schlüssel. Wie von @awelsh erwähnt, bin ich mir nicht sicher, ob es für Sie Sinn macht, Ihre Ergebnisse mitzuteilen (insbesondere an Nicht-Statistiker/Datenwissenschaftler), wenn Sie diese mitteilen müssen (und ein Vergleich der Ergebnisse zwischen zwei Softwares auf Dezimalstellen ist für sie irrelevant). Die Diagramme „Durchschnitt“ und „Bereich/StdAbw.“ sind hilfreich, um Probleme im Zusammenhang mit Wiederholbarkeit und Reproduzierbarkeit (falls vorhanden) zu erkennen:
Die Beteiligten möchten die praktischen Ergebnisse Ihrer Analyse erfahren: Was sind die Hauptquellen der Abweichungen? Wenn die Ausrüstung/Antwort stark verrauscht ist, auf welchen Aspekt (Wiederholbarkeit/Reproduzierbarkeit) müssen sie ihre Bemühungen konzentrieren? Wenn sie über mehrere Protokolle/Antworten verfügen, wie schneiden diese im Vergleich zueinander ab?
Zu diesem letzten Punkt gefallen mir auch Wheeler-Klassen wie @awelsh sehr gut, da man mit der Visualisierung sehr schnell verschiedene Antworten basierend auf ihrer „Informationsqualität“ anzeigen und bewerten kann (hier ein Beispiel anhand eines anonymisierten realen Anwendungsfalls):
Ich finde, dass es viel einfacher ist, die verschiedenen Antworten zu verstehen, zu vergleichen und zu bewerten.
- MSA ist eine Sammlung bewährter Verfahren und Richtlinien, aber je nach Kontext und Brancheneinstellungen müssen Sie möglicherweise unterschiedliche Normen, Richtlinien oder Einschränkungen beachten. Arbeiten Sie mit Fachexperten und Interessenvertretern zusammen, um Ihre Methodik an die tatsächlichen Umgebungsbedingungen anzupassen. Die Auswahl (und Anzahl) der verschiedenen Teile ist besonders wichtig, da Ihre MSA-Studie fehlschlagen kann, wenn Ihre Chargen/Teile zu ähnlich sind und nicht repräsentativ für die Population, da die Varianz in Bezug auf Reproduzierbarkeit und Wiederholbarkeit im Vergleich zur Varianzkomponente von Teil zu Teil „aufgeblasen“ erscheinen kann.
Diese Punkte beantworten zwar nicht Ihre direkten Fragen, aber ich fand sie im Umgang mit MSA-Studien pragmatisch und rational. Ich bin sicher, @statman hätte auch viel zu sagen.
Betreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABVielen Dank.
Meinen Sie mit der von Ihnen erwähnten Wheeler-Methode EMP?
Betreff: Unterschiede in den GRR-Ergebnissen zwischen JMP und MINTABJa, und ich erwähne insbesondere die Monitorklassifizierungslegende, die Teil des EMP-Ergebnisberichts ist.
Es bietet eine zusammengefasste Möglichkeit, mehrere Geräte anhand ihrer Fähigkeit, die Stärke eines Signals zu erkennen, anzuzeigen, zu vergleichen und zu bewerten.
