La valutazione DOE con fattori casuali porta a risultati non realistici. Perché e come ciò può essere evitato?Ciao,
abbiamo eseguito un DOE e monitorato alcuni fattori DOE (Ta_mes, c_mes) e alcuni valori aggiuntivi che avrebbero dovuto essere stabili ma non lo sono stati (Tb_mes, veicolo di test casuale).
La modellazione fornisce previsioni abbastanza diverse nel caso in cui vengano utilizzati o meno fattori casuali per il modello. Sono addirittura irrealistici (spessori negativi s-2, o TE molto elevati (più alti rispetto alle prove)).
vedere ad esempio il Profiler HSS-TE rispetto a HSS_random
Hai qualche spiegazione sul perché questo sta accadendo e come evitarlo?
Spiegazione generale:
Il DOE è stato progettato con 8 trame intere e 16 sottotrame. L'intero DOE è stato eseguito in un serbatoio. Gli interi grafici rappresentano diversi giorni di placcatura e i sottotrame rappresentano l'aumento giornaliero della temperatura (sfortunatamente il raffreddamento richiederebbe troppo tempo, quindi l'aumento della temperatura Ta è sempre stato positivo nonostante il progetto originale). Una terza modifica irreversibile (aumento della concentrazione c_set) è stata contrassegnata come bloccata durante l'aumento della progettazione.
I risultati sono sul lato destro di "Y".
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoGrazie - (I progetti Taguchi con fattori di controllo e rumore sono una novità per me.)
Non sono riuscito a trovare il modello allegato: sono ancora curioso di sapere come gestisci le risposte di tipo carattere (categorico) (LM-void e Peeling).
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoNo, non avrebbe senso cambiare il ruolo del design da Continuo a Rumore. Questo cambiamento non è necessario. Anche questo non è lo scopo del tipo Fattore rumore.Perfavore guarda Aiuto > Libri > Progettazione di esperimenti per maggiori informazioni.
Stai complicando la progettazione (post hoc) e l'analisi senza una buona ragione. Alla fine, l'unico scopo di un esperimento è probabilmente ottenere i dati ottimali per adattarsi a un modello, in questo caso un modello lineare nei parametri. Ho aggiornato la tua tabella dati e l'ho allegata a una delle mie risposte precedenti. Le proprietà aggiuntive della colonna sono corrette e aiutano l'analisi di regressione. Gli script della tabella del modello salvati dovrebbero anche fornire un'analisi dei dati ragionevole.
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoIn allegato trovi il modello con le risposte (tipo di dati "Carattere" per Peeling e LM-void):
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoSì, hai ragione: pensavo che i fattori che non sono stati progettati e che dovrebbero essere corretti, ma in realtà non lo sono, avrebbero ricevuto l'attributo "effetto casuale" durante la modellazione.
Avrebbe senso impostare il ruolo di progettazione su "rumore" per questi fattori non pianificati semi-fissi, per tenere conto del fatto che non è possibile garantire che la variazione sarà indipendente da altri cambiamenti di fattori (rischio di correlazioni casuali)?
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoNon inserire gli effetti dei fattori come effetti casuali.L'"offset" è un artefatto del modello a effetti misti specificato erroneamente che hai inserito.
Sembra che tu sia confuso sulla natura degli effetti fissi e degli effetti casuali. Gli unici effetti casuali nel tuo modello dovrebbero essere intere trame e sottotrame. (L'effetto casuale residuo viene stimato automaticamente dall'errore quadratico dipendente dal modello e dai gradi di libertà. Non dovrebbe essere specificato esplicitamente.) I fattori, invece, hanno effetti fissi riproducibili. Questi effetti potrebbero richiedere che più di un termine sia adeguatamente rappresentato: un termine del primo ordine, un termine del secondo ordine o un termine incrociato. Ad esempio, il tuo fattore Ta dovrebbe produrre un effetto fisso. La colonna dei dati Ta viene utilizzato per produrre colonne di stima per il modello di regressione come Ta O Ta^2 . Il fatto di utilizzare il livello misurato ( Tami ) invece dell'impostazione originale ( Impostato ) non cambia il fatto che tutti i termini Ta rappresentano effetti fissi.
Di solito un esperimento progettato è associato ad un modello ipotizzato che viene stimato e testato. Ho già risposto più di una volta con modelli ragionevoli per il tuo esperimento e i tuoi dati.
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoCaro Marco,
Sì grazie.
In allegato puoi trovare un diario con diversi modelli per s-2 e TE. Per me non è molto chiaro il motivo per cui finisco con un offset quando utilizzo fattori casuali aggiuntivi come ad esempio Tb_mes per s-2 o s-2 per TE.
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoGrazie per l'aggiornamento, ma ora non sono sicuro della tua posizione riguardo ai problemi. Hai ancora bisogno di aiuto?
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoCaro Marco,
i test sono stati eseguiti in un recipiente/serbatoio e la concentrazione c impostato i cambiamenti sono irreversibili in un recipiente/serbatoio.
Hai ragione, la concentrazione c è stata costante durante le prime 16 esecuzioni, poi è aumentata e di nuovo costante durante le esecuzioni 17-32.
Per implementare la concentrazione nel modello una colonna c impostato è stato aggiunto alla tabella dati originale.Se lo faccio nel modo corretto come costante, mi ritrovo con una costante, quindi ho temporaneamente modificato un valore alla concentrazione più alta prima dell'aumento del modello e l'ho "corretto" in seguito.
Non ho visto un modo diverso di bloccare durante l'aumento per implementare la concentrazione c impostato nel modello, perché le intere trame e le sottotrame erano già necessarie per descrivere la temperatura Ta e il cambiamento di pH. Entrambi sono stati eseguiti a blocchi, perché altrimenti le modifiche avrebbero richiesto troppo tempo.
- La regolazione del pH deve essere effettuata a temperatura ambiente (prima del riscaldamento). -> Ogni giorno è possibile testare solo un set di pH.
- Il riscaldamento (e il raffreddamento) del recipiente/serbatoio richiede tempo.Per fare almeno 4 corse al giorno è sufficiente una sola temperatura Ta impostato l'aumento è stato effettuato quotidianamente.
La temperatura Tb dovrebbe essere costante, ma in realtà non lo è. pertanto è stato misurato simultaneamente per ogni singola corsa. È un fattore casuale che è stato aggiunto successivamente come colonna.
La temperatura Ta l'ho gestita come te.
.....
Faccio fatica a trovare un modo per inserire (copiare/incollare) parti dell'analisi jmp. Continuerò a spiegare quando troverò la strada giusta.
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoHo riguardato di nuovo la mia analisi e mi sono reso conto che c'è un'importante incoerenza tra ciò che hai specificato nel progetto e ciò che hai effettivamente fatto nell'esperimento.
- Non è necessario il blocco nel modello poiché è confuso con intere trame e sottotrame, c set e (soprattutto) Tb set.
- cset non è specificato come fattore nel progetto. Come è stato aggiunto al design aumentato?
- Il set c è allo stesso livello in Whole Plots 1-4 e di nuovo all'altro livello in Whole Plots 5-8. È stato davvero impostato e ripristinato solo una volta? È stato costante nelle prime 16 esecuzioni e poi aggiunto all'esperimento a un secondo livello costante?
- Tb è stato aggiunto all'esperimento come c? Non sembra essere un fattore di progettazione ma un'altra variabile aggiunta dopo la progettazione dell'esperimento.
- Hai un fattore Ta difficile da cambiare. Dovrebbe essere impostato e mantenuto ad un livello all'interno dell'intera sottotrama. Eppure hai valori diversi per Ta mes. Sembra che la variabile di misura indichi il controllo all'interno di un'esecuzione e Sottotrame indichi un errore casuale derivante dall'impostazione del fattore difficile da modificare, quindi ho lasciato Sottotrame come effetto casuale e Ta mes come effetto fisso al posto del set Ta.
Ho aggiornato la mia analisi e salvato il nuovo script del modello nella tabella dati allegata. Ottengo il seguente profiler dopo aver completato la selezione del modello e salvato la formula di previsione per le quattro risposte con effetti significativi.
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoHai esaminato l'analisi che ho effettuato? Il mio approccio aveva senso? I risultati avevano senso? Continuo a non capire la tua analisi. Dettagli:
- Per quanto riguarda l'effetto di Tb su s-1 e s-2, non capisco cosa intendi con "usato come fattore casuale". Vuoi dire che hai modellato Tb come un effetto casuale?
- In generale, grazie al modello lineare, sono possibili previsioni negative. Si presuppone che la risposta vari da infinito negativo a infinito positivo. Inoltre, il contributo dell’errore è modellato come una distribuzione normale con media zero, quindi anche la metà degli errori sono negativi. È difficile rispondere alla tua domanda perché non hai mostrato il modello utilizzato o i risultati dell'analisi di regressione.
- Il peeling sembra essere una classe indicata da un numero, quindi l'ho modificata in numerica/continua per adattarla a un modello.
- s-2 è un "fattore casuale?" Non so cosa significhi questa affermazione.
- Le previsioni si basano su un modello. Sempre. Se non si include il fattore, il modello è la risposta media più l'errore. Se includi il fattore, è possibile che la media vari e sia più alta (e più bassa) che senza un fattore.
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoCaro Marco,
grazie per aver indagato su questo.
Cercherò di chiarire:
Sfortunatamente le risposte (s-2, s-1, Peeling, HSS-TE, HSS-SS, LM-void) non sono state specificate quando è stato impostato il DOE. Pertanto, la colonna Y è vuota.
Durante ciascuna esecuzione dell'esperimento è stato placcato un veicolo di prova.
Innanzitutto è stato misurato lo spessore della placcatura (s-2 (numerico/continuo), s-1(numerico/continuo)).
Dai test precedenti sappiamo che la temperatura Tb con leggere alternanze ha un impatto sullo spessore s-2 (Mean(s 2 (μm))). Pertanto, la temperatura Tb_mes è stata determinata per ciascuna analisi e utilizzata come fattore casuale durante la modellazione di s-2.
E in questo caso ci siamo ritrovati con previsioni negative per lo spessore. Perché?
In secondo luogo, è stato eseguito un test su nastro su una parte del veicolo di prova con il risultato: distacco ( carattere/ordinale ).
In terzo luogo, un'altra parte del veicolo di prova è stata utilizzata per un test di saldatura con i risultati: HSS-TE (numerico/continuo), HSS-SS (numerico/continuo), LM-void ( carattere/ordinale ).
Dai test precedenti con variazioni di spessore s-2 sappiamo che il test di saldatura è influenzato dallo spessore s-2. Pertanto lo spessore s-2 (Media(s 2 (μm))) è stato utilizzato come fattore casuale durante la valutazione dei risultati di saldatura, ad esempio HSS-TE.
In questo caso ci siamo ritrovati con previsioni HSS-TE che erano molto più alte di quelle senza fattore casuale, addirittura più alte dei risultati (vedi Actual by Predicted Plot). Perché?
PS: Secondo il messaggio JMP "Gli ettetti casuali non sono supportati da Ordinal Logistic". Pertanto la modellazione è stata eseguita senza fattori casuali per Peeling e LM-void. Oppure esiste un modo per includere effetti casuali per i risultati con tipo di modellazione carattere/ordinale?
Spero che questa spiegazione aiuti a fare chiarezza.
Distinti saluti
Petra
Ri: La valutazione DOE con fattori casuali finisce con risultati non realistici. Perché e come ciò può essere evitatoNon capisco la tua descrizione dell'esperimento o i problemi con la tua analisi.
Ho ricominciato con l'analisi. Diversi fattori e risposte avevano il tipo di dati e il tipo di modellazione errati e mancavano proprietà di colonna importanti. Ho ripristinato tutte le colonne di dati al loro stato migliore. Ho eliminato tutti gli script di tabella salvati, le statistiche di riepilogo e le formule di previsione salvate. Quindi non ho avuto problemi ad adattare modelli lineari ragionevoli con gli effetti casuali. Il peeling non ha avuto effetti significativi.
Ho allegato la mia versione dell'esperimento e dell'analisi per il tuo esame.
