77079_de-DE

liliconcom

Terme dritter Ordnung im linearen Modell

Sehr geehrte JMP-Experten,

Ich würde gerne Ihre Meinung zu den folgenden Themen hören:

1) Ist es sinnvoll, Terme 3. Ordnung (kubisch, Interaktion) in ein Modell mit experimentellen Läufen einzubeziehen, die aus Faktoren bestehen, die nur auf drei Ebenen untersucht wurden?

2) Unter welchen Umständen würden Sie Begriffe 3. Ordnung einbeziehen, die sich auf das industrielle Prozessmodell beziehen?

Vielen Dank,

Michal

Betreff: Terme dritter Ordnung im linearen Modell

Zu meinem Kollegen hinzufügen @ Markbailey Zu den Empfehlungen und Ratschlägen in Bezug auf Ihre zweite Frage zum "Wann" werde ich den Gedanken hinzufügen, dass, wenn Sie über Kenntnisse in Physik, Chemie, Biologie oder sozioökonomischem Verhalten oder über allgemeine Fachkenntnisse verfügen, VOR dem Durchführen von Experimenten Sie vermuten, dass es aktive 3-Faktor-Interaktionseffekte gibt. Nun, dies ist eine Zeit, in der ich ein Design erstellt habe, mit dem diese Effekte abgeschätzt werden können. Sie können dies innerhalb der JMP Custom Design-Plattform am effizientesten erreichen, indem Sie die spezifischen 3-Faktor-Interaktionseffekte, die Sie abschätzen möchten, explizit artikulieren.

Betreff: Terme dritter Ordnung im linearen Modell

Erstens können Sie die Parameter für Terme dritter Ordnung nicht mit nur drei Ebenen schätzen. Wenn Sie ein Experiment haben, das erfolgreich zu dem Modell zweiter Ordnung passt, obwohl es nicht passt, verwenden Sie DOE> Augment Design, um die neuen Begriffe hinzuzufügen und die neuen Läufe zu erstellen, die die ursprünglichen Läufe ergänzen.

 

Zweitens würde ich die Terme dritter Ordnung untersuchen, wenn entweder mein Modell zweiter Ordnung einen signifikanten Mangel an Übereinstimmung aufwies oder ich die Modellvorhersagen zweiter Ordnung nicht verifizieren konnte. Dieser Fehler deutet auf eine Modellverzerrung hin, die nicht als mangelnde Übereinstimmung getestet werden kann.

 

Das Modell zweiter Ordnung modelliert erfolgreich die meisten Fälle mit einer nichtlinearen Antwort, aber über einen erweiterten Bereich kann entweder ein lineares Modell höherer Ordnung oder ein anderes Modell (z. B. ein neuronales Netzwerk) zur Beseitigung der Vorspannung erforderlich sein. Wenn Ihre Antwort beispielsweise eine Asymptote aufweist, modelliert die Polynomfunktion die Antwort nicht erfolgreich.