58736_de-DE

liliconcom

Vollfaktorielle + Mittelpunkte

Liebe JMP-Community,

 

Ich teste die vollständige Fakultät mit Mittelpunkten. Unten sind die Eingaben:

• Faktoren = 3, Ebenen = 2 (kontinuierliche Daten).
• Antwort = 1 (Kontinuierliche Daten).
• Mittelpunkte = 6
• Replikate = 4
• Simulierte Reaktion unter Verwendung der Normaldichtefunktion mit Sigma=1.

Ich habe zwei Fragen:

 

1. Kann dieses Design einen Krümmungseffekt erkennen?

2. Wenn ja, kann es uns sagen, welcher quadratische Faktor verantwortlich ist, und seinen Koeffizienten schätzen?

 

Der Grund, warum ich gefragt habe, ist, dass die Antwort auf diese beiden Fragen anscheinend „Nein“ lautet. Siehe untenstehende Ergebnisse.

 

Welchen Zweck hat in diesem Fall die Möglichkeit, den Mittelpunkt in Full Factorial hinzuzufügen, außer der besseren Abschätzung des experimentellen Fehlers?

 

Danke für den Hinweis.

 

Br,

Looi

Betreff: Vollfaktoriell + Mittelpunkte

Schätzen Sie beide Eingaben. Dies ist das erste Mal, dass ich eine Frage poste, und ich bin erstaunt, wie schnell die Antwort kam. Das stärkt auf jeden Fall mein Selbstvertrauen, SAS JMP weiterhin zu verwenden.

Betreff: Vollfaktoriell + Mittelpunkte

Zur Erkennung der Krümmung verwenden Sie den p-Wert der mangelnden Anpassung. Sie können die Quelle jedoch nicht bestimmen, wenn Sie > 1 stetige Faktoren haben.Mit diesem Design können Sie eigentlich keine quadratischen Effekte modellieren.Mit den zweistufigen faktoriellen Designs können Sie nur eine Hyperebenenoberfläche an die Daten anpassen.Wenn die Mittelpunkte als Gruppe deutlich von der Hyperebene entfernt sind, weist Ihr Test auf fehlende Anpassung einen kleinen p-Wert auf.

 

Als @Peter_Bartell Wie bereits erwähnt, haben Sie ein riesiges Laufbudget.Die Verwendung von Mittelpunkten in einem faktoriellen Design (vollständig oder gebrochen) ist typisch für ein Screening-Szenario, bei dem Sie zu viele Faktoren haben, um direkt zu versuchen, eine Antwortfläche abzuschätzen, Sie aber wissen möchten, ob eine Krümmung vorhanden ist. Das ist nicht deine Situation.Sie könnten mit nur 20 Durchläufen ein anständiges Antwortflächendesign für drei Faktoren erstellen.

 

Ich würde vorschlagen, Peters Empfehlung eines I-optimalen Designs mit Custom Design zu folgen und Ihr Modell mit der RSM-Taste anzugeben.Dadurch erhalten Sie alle Haupteffekte, die 2-Faktor-Wechselwirkung und quadratische Terme.Wenn Sie Off-Face-Axialwerte berücksichtigen können, hat ein zentrales Verbunddesign (CCD) bei gleicher Anzahl von Läufen erhebliche Vorteile gegenüber dem I-optimalen kundenspezifischen Design.In den meisten Fällen erhalten Sie für Ihre quadratischen Effekte eine viel höhere Leistung.Wenn Sie auf mehr als 60 Läufe eingestellt sind, können Sie den gesamten CCD sogar ein paar Mal replizieren.Wenn Sie mit optimalen Designs nicht vertraut sind, ist die Erstellung eines CCD wahrscheinlich auch einfacher.Stellen Sie einfach sicher, dass Sie sicher sind, dass die Achsenwerte über Sollwerte verfügen, die Sie tatsächlich ausführen können.

Betreff: Vollfaktoriell + Mittelpunkte

Die altmodische Idee hinter dem Hinzufügen von Mittelpunktreplikaten war zweierlei: 1. Krümmung in mindestens EINEM der Faktoren erkennen und 2. Bieten Sie einige zusätzliche Freiheitsgrade für LOF-Tests, Pure Error und ihre Brüder. Warum man Mittelpunktreplikate zu einem bereits replizierten Design hinzufügen würde, scheint mir Punkt 2. oben zu widerlegen. Der einzige andere Grund wäre die Erkennung von Krümmungen. Aber ich denke, ich würde fragen: Wenn Sie ein Budget für mehr als 60 Läufe haben, warum führen Sie dann nicht einfach einen vollständigen i-optimalen Versuchsplan für Ihre Faktoren durch, und wenn Sie einen reinen Fehler benötigen, fügen Sie diesem Versuchsplan eine kleine Anzahl Wiederholungen hinzu. Dann könnten Sie die Krümmung abschätzen, anstatt sie nur zu erkennen. Bei weitaus weniger Läufen.