Diferencias en los resultados de GRR entre JMP y MINTABEste problema ha causado una confusión a largo plazo y no se ha resuelto de manera fundamental.
0. Los resultados del análisis de varianza son exactamente los mismos, excepto que los resultados de los componentes de varianza son diferentes. Sin embargo, MINITAB realizará dos análisis de varianza (con y sin interacción).
1. La ayuda de Minitab tiene las siguientes fórmulas para el método de cálculo de los componentes de varianza, pero no explica de qué método se trata, EMS o REML. Según mi verificación, cuando aparece un valor negativo, se forzará a 0. La ayuda de JMP no explica el método específico de cálculo de los componentes de varianza.
2. En JMP, habrá dos resultados de componentes de varianza como se muestra en la figura siguiente, y los resultados también son diferentes. No sé por qué.
3. Una cosa es segura, los resultados de MINITAB son consistentes con los del manual MSA.
Ingeniería de Calidad y ProcesosRe: Diferencias en los resultados de GRR entre JMP y MINTAB¿Has leído la documentación de JMP?
También hay publicaciones de la comunidad sobre este tema:
También puedes forzar a JMP para que tenga resultados similares a los de Minitab, pero debes programarlo parcialmente tú mismo (forzar el uso de EMS, descartar la interacción, etc.).
Re: Diferencias en los resultados de GRR entre JMP y MINTABGracias, he leído estos.
Sé que existen tres métodos: EMS, REML y Bayes. Con la ayuda de JMP, si los datos están equilibrados y no hay valores negativos, se utilizará el método EMS. Pero aún así no se puede obtener el mismo resultado que MINITAB. Puedes probarlo.
Re: Diferencias en los resultados de GRR entre JMP y MINTABHola @Xinghua : no estoy seguro de si estoy respondiendo a tu pregunta.
1. La fórmula que se ve en Minitab es EMS. Y no hay fórmulas cerradas para REML; la solución REML se encuentra numéricamente.
2. La sección Comp. de varianza para Gage R&R en JMP se basa en la suma de los componentes de varianza en los componentes de varianza de la sección anterior.
Repetibilidad = Dentro de
Reproducibilidad = Inspector + Inspector*Muestras
Parte a parte = muestras
Y Gage R&R = Repetibilidad + Reproducibilidad
¿En qué se diferencian las comparaciones de variables en Minitab y en JMP?
Re: Diferencias en los resultados de GRR entre JMP y MINTAB
Muchas gracias. No soy un estadístico profesional. Solo quiero saber cómo responder a los clientes cuando me preguntan sobre resultados inconsistentes. El algoritmo de MINITAB es coherente con el manual MSA de AIAG.
Además, según la descripción de la ayuda de JMP, cuando los datos están equilibrados y los componentes de varianza calculados no son negativos, se utilizará el método EMS. Pero según mi verificación, los resultados de MINITAB y JMP siempre son diferentes. Generalmente, hacemos GRR con 3 personas * 3 veces * 10 muestras.
Re: Diferencias en los resultados de GRR entre JMP y MINTABHola @Xinghua : Si uso el conjunto de datos "2 factores cruzados" en la carpeta Datos de variabilidad en la carpeta de datos de muestra de JMP, JMP arroja exactamente los mismos resultados que Minitab.
Re: Diferencias en los resultados de GRR entre JMP y MINTABGracias. Lo he comprobado y son exactamente iguales a lo que has dicho. He observado que el efecto de interacción es significativo (inspectores * piezas). En el proceso real, nunca he visto un efecto de interacción significativo.
Esta puede ser la causa raíz de la diferencia, ya que si el efecto de interacción no es significativo en MINITAB, habrá otro tipo de métodos de cálculo. Continuaré comprobándolo.
Re: Diferencias en los resultados de GRR entre JMP y MINTABLo he comprobado de nuevo. Su efecto de interacción no es significativo.
Después de forzar la inclusión del efecto de interacción en el componente de varianza (incluso si el efecto de interacción no es significativo en el ANOVA), los resultados de JMP y EXCEL son exactamente los mismos.
Esto puede ser un error de MINITAB, porque el manual MSA de AIAG no indica "Cuando el efecto de interacción no es significativo, cómo...".
Re: Diferencias en los resultados de GRR entre JMP y MINTABHola @Xinghua : No estoy seguro de que yo etiquetaría este tipo de cosas como "errores". Si bien el manual MSA de AIAG es una referencia común para este tipo de problemas, no debe considerarse correcto excluyendo otros métodos y otras formas de abordar el problema. Y se podría argumentar en ambos sentidos si se incluye o no la interacción si no es "significativa".
Dicho esto, también reconozco su dilema: ¿cómo responde a los clientes cuando preguntan sobre resultados inconsistentes? El método EMS es un método más antiguo que REML, etc.; se puede implementar sin ningún tipo de algoritmos numéricos sofisticados, es decir, hay fórmulas. No es el "mejor" método ni es el único método. Sin embargo, es simple y adecuado para el propósito (de ahí su atractivo en dichos manuales). ¿Incluir o no incluir el término de interacción? Buena pregunta. No quiero aventurarme demasiado en ese agujero de conejo. Pero el caso de no incluirlo es sencillo: si el efecto de la interacción es insignificante (como podría inferirse de no ser significativo), ¿por qué incluirlo? Por otro lado, si pensamos en el análisis de componentes de varianza como un problema de estimación (en lugar de un problema de prueba de significancia), entonces se puede argumentar a favor de incluir la interacción (independientemente de la significancia).
Re: Diferencias en los resultados de GRR entre JMP y MINTABHay muchas formas de abordar cualquier problema. Pregúntale a 10 personas diferentes y obtendrás 10 respuestas diferentes, ninguna de ellas incorrecta (supongo que a menos que la persona a la que le preguntes simplemente no esté informada).
Para casos como este, debe utilizar el método que le solicita su cliente. Es así de simple. Si quieren el método manual de MSA, proporciónelo. Si quieren Minitab, proporciónelo. Si quieren JMP, proporciónelo. Si tienen alguna plantilla de Excel, úsela. Etc.
Ahora bien, para su propia aprobación interna de los sistemas de medición, donde puede establecer el método, simplemente elija el que conozca mejor. Si un sistema de medición es bueno, debería aprobar todos los métodos.
Personalmente, me gustan los enfoques de Wheeler y la forma de evaluar los sistemas de medición mediante gráficos de control. Es sencillo y fácil de entender y aplicar. Todas estas estadísticas enumerativas crean confusión y debates inútiles, como has demostrado.
Buena suerte, me encanta la comunidad aquí y parece que se ha realizado un buen trabajo de investigación para comparar todos los métodos. Un efecto de interacción significativo significa que el MSA falla de todos modos. Nunca querríamos que la medición de la pieza dependiera de quién tomó la medición. Entonces, si la diferencia entre JMP y Minitab solo se debe a un efecto de interacción significativo, entonces no importa cuál sea el valor p o los números de la suma de cuadrados. El MSA falla, fin de la historia. Realice algunas mejoras en el método para que obtengamos los mismos resultados de todos los operadores y luego vuelva a realizar el MSA para confirmar que ahora pasa sin una interacción significativa.
Re: Diferencias en los resultados de GRR entre JMP y MINTABHola @Xinghua y @MRB3855 ,
Perdón por intervenir, pero quería aportar algunos comentarios sobre la discusión aquí:
- En mi humilde opinión, la "elección" de analizar sus experimentos con o sin interacciones (con la interacción "operador*parte", por ejemplo) está determinada por cómo ha diseñado sus experimentos. Si ha generado un DoE para su estudio de MSA donde se incluyen interacciones de 2 factores en el modelo asumido, debe analizar sus resultados de MSA con esta interacción, sin importar si esta interacción es estadísticamente significativa o no.
No es una cuestión de construcción o perfeccionamiento de modelos, sino de evaluar las fuentes de variación en función de un conjunto específico de experimentos que responden a una necesidad específica.
- Diferenciar la significación estadística de la significación práctica; en esta situación de MSA, se investiga la importancia relativa de las fuentes de variación, como la repetibilidad, la reproducibilidad... ¡Una fuente de variación que no es estadísticamente significativa puede ser significativa en la práctica! La evaluación requiere experiencia en el dominio relacionado con el equipo estudiado para evaluar y validar la distribución de las fuentes de variación y el tamaño/magnitud relativos de estas variaciones.
- La comunicación y la visualización son fundamentales. Como mencionó @awelsh , si tiene que comunicar sus hallazgos (y en particular a personas que no son estadísticos o científicos de datos), no estoy seguro de que proporcionarles resultados de análisis sin procesar tenga sentido (y comparar los resultados entre dos programas en el decimal es irrelevante para ellos). Los gráficos de promedio y rango/desviación estándar son útiles para detectar problemas relacionados con la repetibilidad y reproducibilidad (si los hay):
Lo que las partes interesadas quieren saber son los resultados prácticos de su análisis: ¿cuáles son las principales fuentes de variación? Si el equipo o la respuesta son muy ruidosos, ¿en qué aspecto (repetibilidad/reproducibilidad) deben centrar sus esfuerzos? Si tienen varios protocolos o respuestas, ¿cómo se comportan en relación con los demás?
En este último punto, también me gustan mucho las clases de Wheeler como @awelsh , porque con la visualización puedes mostrar y clasificar muy rápidamente diferentes respuestas en función de su "calidad de información" (ejemplo aquí en un caso de uso real anonimizado):
Me resulta mucho más claro entender, comparar y jerarquizar las diferentes respuestas.
- MSA es una recopilación de buenas prácticas y directrices, pero, según el contexto y la configuración de la industria, es posible que tenga que respetar distintas normas, directrices o restricciones. Trabaje con expertos en el área y partes interesadas para adaptar su metodología a las condiciones del entorno real. La selección (y el número) de las distintas partes es especialmente crucial, ya que puede terminar con un estudio MSA fallido si sus lotes o partes son demasiado similares entre sí y no son representativos de la población, porque la varianza relacionada con la reproducibilidad y la repetibilidad puede parecer "inflada" en comparación con el componente de varianza entre partes.
Estos puntos no responderán a tus preguntas directas, pero los considero pragmáticos y racionales a la hora de abordar los estudios de MSA. Estoy seguro de que @statman también tendría mucho que decir.
Re: Diferencias en los resultados de GRR entre JMP y MINTABMuchas gracias.
El método Wheeler que mencionaste, ¿te refieres a EMP?
Re: Diferencias en los resultados de GRR entre JMP y MINTABSí, y menciono específicamente la Leyenda de Clasificación del Monitor, que es parte del Informe de Resultados EMP .
Ofrece una forma resumida de mostrar, comparar y clasificar varios equipos según su capacidad para detectar la intensidad de una señal.
