JMP와 MINTAB 간 GRR 결과의 차이이 문제는 장기적으로 혼란을 야기했으며 근본적으로 해결되지 않았습니다.
0. 분산 분석의 결과는 분산 성분의 결과가 다르다는 점을 제외하면 정확히 동일합니다. 그러나 MINITAB은 두 가지 분산 분석(상호작용이 있는 경우와 없는 경우)을 수행합니다.
1. Minitab의 도움말에는 분산 성분의 계산 방법에 대한 다음 frmulas가 있지만 EMS 또는 REML인지 어떤 방법인지 설명하지 않습니다. 내 검증에 따르면 음수 값이 나타나면 0으로 강제됩니다. JMP의 도움말은 분산 성분의 구체적인 계산 방법을 설명하지 않습니다.
2. JMP에서는 아래 그림과 같이 분산성분 결과가 두 개 나오는데, 결과도 다릅니다. 왜 그런지 모르겠습니다.
3. 확실한 것은 MINITAB의 결과가 MSA 매뉴얼의 결과와 일치한다는 것입니다.
품질 및 공정 엔지니어링Re: JMP와 MINTAB 간 GRR 결과의 차이JMP 설명서를 읽어보셨나요?
이 주제에 대한 커뮤니티 게시물도 있습니다.
JMP에서 Minitab과 비슷한 결과를 얻을 수 있도록 할 수도 있지만, 부분적으로 직접 스크립팅해야 합니다(EMS 사용, 상호 작용 삭제 등).
Re: JMP와 MINTAB 간 GRR 결과의 차이고맙습니다. 읽었습니다.
세 가지 방법이 있다는 건 알아요: EMS, REML, Bayes. JMP의 도움에 따르면, 데이터가 균형 잡히고 음수 값이 없으면 EMS 방법이 사용됩니다. 하지만 여전히 MINITAB과 같은 결과를 얻을 수 없습니다. 시도해 볼 수 있습니다.
Re: JMP와 MINTAB 간 GRR 결과의 차이안녕하세요 @싱화 : 제가 질문에 대답하고 있는지 잘 모르겠네요.
1. Minitab에서 보는 공식은 EMS입니다. 그리고 REML에 대한 닫힌 형태의 공식은 없습니다. REML 솔루션은 수치적으로 발견됩니다.
2. JMP의 Gage R&R 섹션에 있는 분산 구성 요소의 분산 구성 요소의 합계를 기반으로 합니다.
반복성 = 이내
재현성 = 검사자 + 검사자*샘플
부품 대 부품 = 샘플
그리고 Gage R&R = 반복성 + 재현성
Minitab의 Var Comps는 JMP와 어떻게 다릅니까?
Re: JMP와 MINTAB 간 GRR 결과의 차이
대단히 감사합니다. 저는 전문 통계학자가 아닙니다. 고객이 일관되지 않은 결과에 대해 질문할 때 어떻게 대답해야 할지 알고 싶을 뿐입니다. MINITAB의 알고리즘은 AIAG MSA 매뉴얼과 일치합니다.
또한 JMP 도움말 설명에 따르면 데이터가 균형 잡히고 계산된 분산 구성 요소가 음수가 아닌 경우 EMS 방법을 사용합니다. 하지만 제 검증에 따르면 MINITAB과 JMP의 결과는 항상 다릅니다. 일반적으로 3명 * 3회 * 10개 샘플로 GRR을 수행합니다.
Re: JMP와 MINTAB 간 GRR 결과의 차이안녕하세요 @싱화 : JMP 샘플 데이터 폴더의 변동성 데이터 폴더에 있는 "2개 요인 교차" 데이터 세트를 사용하면 JMP는 Minitab과 정확히 동일한 결과를 제공합니다.
Re: JMP와 MINTAB 간 GRR 결과의 차이고맙습니다. 확인해보니 말씀하신 것과 정확히 같습니다. 상호작용 효과가 상당하다는 것을 알았습니다(검사자 * 부분). 실제 프로세스에서는 상호작용 효과가 상당하다는 것을 본 적이 없습니다.
이것이 차이의 근본 원인일 수 있는데, MINITAB에서 상호작용 효과가 유의하지 않다면 다른 유형의 계산 방법이 있을 것이기 때문입니다. 계속 확인해보겠습니다.
Re: JMP와 MINTAB 간 GRR 결과의 차이다시 한번 검증해보니 상호작용 효과는 크지 않네요.
상호작용 효과를 분산 구성 요소에 강제로 포함시킨 후(상호작용 효과가 ANOVA에서 유의하지 않은 경우에도), JMP와 EXCEL의 결과는 정확히 동일합니다.
이는 MINITAB의 실수일 수 있습니다.AIAG MSA 매뉴얼에 "상호 작용 효과가 크지 않은 경우, 어떻게..."라는 설명이 없기 때문입니다.
Re: JMP와 MINTAB 간 GRR 결과의 차이안녕하세요 @싱화 : 이런 종류의 것들을 "실수"라고 분류할지는 잘 모르겠습니다. AIAG MSA 매뉴얼은 이런 종류의 문제에 대한 일반적인 참고 자료이지만, 다른 방법 및 문제에 접근하는 다른 방식을 배제하고 올바른 것으로 간주되어서는 안 됩니다. 그리고 "중요하지 않은" 경우 상호 작용을 포함할지 여부에 대한 주장이 어느 쪽이든 제기될 수 있습니다.
그럼에도 불구하고, 저는 귀하의 딜레마를 알고 있습니다. 고객이 일관되지 않은 결과에 대해 질문할 때 어떻게 대응하십니까? EMS 방법은 REML 등보다 오래된 방법으로, 정교한 수치 알고리즘 없이도 구현할 수 있습니다. 즉, 공식이 있습니다. 그것은 "최상의" 방법도 아니고 유일한 방법도 아닙니다. 그러나 간단하고 목적에 적합합니다(따라서 이러한 매뉴얼에서 매력적입니다). 상호 작용 항을 포함시킬지 말지? 좋은 질문입니다. 저는 그 토끼굴에 너무 깊이 빠지고 싶지 않습니다. 그러나 그것을 포함하지 않는 경우는 간단합니다. 상호 작용 효과가 무시할 수 있는 경우(의미가 없다는 것에서 유추할 수 있듯이) 왜 그것을 포함합니까? 반면에 분산 성분 분석을 추정 문제(유의성 검정 문제가 아닌)로 생각한다면 상호 작용을 포함하는 것이 타당할 수 있습니다(유의성과 관계없이).
Re: JMP와 MINTAB 간 GRR 결과의 차이어떤 문제에 접근하는 데는 여러 가지 방법이 있습니다. 10명의 다른 사람에게 물어보면 10가지 다른 답을 얻을 수 있는데, 그 중 하나도 틀리지 않습니다. (물어보는 사람이 아무것도 모르는 경우가 아니라면 그럴 수도 있겠죠.)
이런 경우 고객이 요청한 방법을 사용해야 합니다. 간단합니다. MSA 수동 방법을 원하면 그걸 제공하세요. Minitab을 원하면 그걸 제공하세요. JMP를 원하면 그걸 제공하세요. Excel 템플릿이 있다면 그냥 사용하세요. 등등.
이제 측정 시스템에 대한 내부 승인을 위해 방법을 설정할 수 있는 경우 가장 익숙한 방법을 선택하면 됩니다. 측정 시스템이 좋다면 모든 방법을 통과해야 합니다.
개인적으로 저는 Wheeler의 접근 방식과 측정 시스템을 평가하는 통제 차트 방식을 좋아합니다. 간단하고 이해하기 쉽고 적용하기 쉽습니다. 이 모든 열거형 통계는 당신이 보여준 것처럼 혼란과 낭비되는 토론을 만들어냅니다.
행운을 빌어요. 저는 여기 커뮤니티를 좋아하고 모든 방법을 비교하기 위해 훌륭한 탐정 작업이 완료된 것 같습니다. 상당한 상호 작용 효과는 MSA가 어차피 실패한다는 것을 의미합니다. 우리는 부품 측정이 측정을 수행한 사람에 따라 달라지기를 바라지 않습니다. 따라서 JMP와 Minitab의 차이가 상당한 상호 작용 효과로만 발생한 경우 p-값이나 제곱합 숫자가 무엇이든 중요하지 않습니다. MSA가 실패하고 끝입니다. 모든 연산자에서 동일한 결과를 얻을 수 있도록 방법을 개선한 다음 MSA를 다시 실행하여 상당한 상호 작용 없이 이제 통과하는지 확인합니다.
Re: JMP와 MINTAB 간 GRR 결과의 차이안녕하세요 @싱화 와 @MRB3855 ,
죄송하지만 여기서의 토론에 대해 몇 가지 의견을 밝히고 싶었습니다.
- 제 생각에는 상호작용이 있거나 없는 실험(예: "operator*part" 상호작용)을 분석할 "선택"은 실험을 설계한 방식에 따라 달라집니다. 가정 모델에 2-요인 상호작용이 포함된 MSA 연구에 대한 DoE를 생성한 경우, 이 상호작용이 통계적으로 유의하든 아니든 이 상호작용을 사용하여 MSA 결과를 분석해야 합니다.
이는 모델을 구축하거나 개선하는 문제가 아니라, 특정 요구에 부응하는 일련의 실험을 기반으로 분산의 원인을 평가하는 문제입니다.
- 통계적 유의성과 실제적 유의성을 구분합니다. 이 MSA 상황에서는 반복성, 재현성과 같은 분산 소스의 상대적 중요성을 조사합니다. 통계적으로 유의하지 않은 분산 소스도 실제적으로 유의할 수 있습니다! 평가에는 분산 소스의 재분할과 이러한 분산의 상대적 크기/규모를 평가, 평가 및 검증하기 위해 연구된 장비와 관련된 도메인 전문 지식이 필요합니다.
- 소통과 시각화가 핵심입니다. @아웰시 가 언급했듯이, 발견 사항을 전달해야 하는 경우(특히 비통계학자/데이터 과학자에게), 원시 분석 결과를 제공하는 것이 그들에게 의미가 있는지 확신할 수 없습니다(그리고 소수점에서 두 소프트웨어 간의 결과를 비교하는 것은 그들에게 중요하지 않습니다). 평균 및 범위/표준편차 차트는 반복성 및 재현성(있는 경우)과 관련된 문제를 감지하는 데 유용합니다.
이해 관계자가 알고 싶어하는 것은 귀하의 분석에서 얻은 실질적인 결과입니다. 주요 변동 원인은 무엇입니까? 장비/대응이 매우 시끄러운 경우 어떤 측면(반복성/재현성)에 노력을 집중해야 합니까? 여러 프로토콜/대응이 있는 경우 서로에 비해 어떻게 수행되고 있습니까?
이 마지막 요점에 관해서, 저는 @아웰시 와 같은 Wheeler 클래스도 매우 좋아합니다. 왜냐하면 시각화를 통해 "정보 품질"에 따라 다양한 응답을 매우 빠르게 보여주고 순위를 매길 수 있기 때문입니다(익명화된 실제 사용 사례에 대한 예는 여기 있습니다):
다양한 응답을 이해하고, 비교하고, 순위를 매기는 것이 훨씬 더 명확하다는 것을 알았습니다.
- MSA는 모범 사례와 가이드라인의 모음이지만, 맥락과 산업 설정에 따라 준수해야 할 규범, 가이드라인 또는 제한 사항이 다를 수 있습니다. 도메인 전문가 및 이해 관계자와 협력하여 방법론을 실제 환경 조건에 맞게 조정하세요. 다양한 부분의 선택(및 수)은 특히 중요합니다. 배치/부분이 서로 너무 가깝거나 유사하여 모집단을 대표하지 못하는 경우 재현성 및 반복성과 관련된 분산이 부분 간 분산 구성 요소에 비해 "부풀려진" 것처럼 보일 수 있기 때문에 MSA 연구가 실패할 수 있기 때문입니다.
이러한 요점들은 당신의 직접적인 질문에 답하지 않을 것이지만, 저는 MSA 연구를 다룰 때 그것들이 실용적이고 합리적이라고 생각했습니다. @스탯맨 도 말할 것이 많을 거라고 확신합니다.
Re: JMP와 MINTAB 간 GRR 결과의 차이매우 감사합니다.
당신이 언급한 휠러 방식은 EMP를 말씀하시는 건가요?
Re: JMP와 MINTAB 간 GRR 결과의 차이네, 저는 EMP 결과 보고서 의 일부인 모니터 분류 설명에 대해 구체적으로 언급하고 있습니다.
신호 강도를 감지하는 능력에 따라 여러 장비를 보여주고, 비교하고, 순위를 매기는 요약된 방법을 제공합니다.
