msa_attribute_agreement — SPC `msa` op

• Datenarten: table → table

• Aufruf: import fullseye as fs; fs.ledger.msa_attribute_agreement(table, appraiser='appraiser', part='part', rating='rating') (die Implementierung direkt: import spc; spc.msa_attribute_agreement(table, appraiser='appraiser', part='part', rating='rating'); aus dem Register: opsspc.get("msa_attribute_agreement"))

Verwendung

Übereinstimmung der Prüfer bei attributiver (io/nio) Prüfung (`table`).

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

同じ部品を複数の検査員が判定した表から、検査員の対ごとの Cohen のカッパと

全体の Fleiss のカッパ、および素の一致率を返す。

★カッパは一致率そのものではない。`kappa = (p_o - p_e)/(1 - p_e)` で、

偶然でも起きる一致 p_e を割り引いた残りを測る —— 合格率 95 % の工程では

でたらめに判を押しても素の一致率は 90 % を超えるので、一致率だけ見ると

「よく合っている」と読めてしまう。

★門にできる厳密な値: 全員が同じ判定 → `kappa = 1`(厳密)。2 人 x 2 カテゴリの

Cohen のカッパは `2(ad-bc)/((a+b)(b+d)+(a+c)(c+d))` という閉形式と一致する。

独立でたらめな判定では期待値 0(こちらは標本ごとに揺れるので区間で見る)。

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_measurement_system_analysis — py -3.11 examples/poc_measurement_system_analysis.py

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

msa_anova_table · msa_gauge_rr · msa_bias_linearity · gum_standard_uncertainty · gum_propagate · gum_expanded · gum_monte_carlo · gum_validate

Gleiche Kategorie (`msa`)

msa_anova_table · msa_gauge_rr · msa_bias_linearity

*Provenance: spc.py — SPC Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

msa_attribute_agreement — SPC msa op