Gekrümmte Vorhersagelinien statt linearIch bin sehr neu bei JMP, da diese Frage Sie wahrscheinlich informieren wird. Ich entwarf ein DoE in der Hoffnung, das Ergebnis zukünftiger Experimente vorhersagen zu können. Nach der Verwendung von "Modell anpassen" und der Beibehaltung der Standardeinstellungen (Standard Least Squares und Effekt-Screening) werden beim Aufrufen des Vorhersageabschnitts wie unten gezeigt nur gerade Linien angezeigt. 
Ich weiß aufgrund anderer Experimente, die ich durchgeführt habe, dass einige dieser Beziehungen gekrümmte Linien sein sollten (polynomisch, logarithmisch, exponentiell ... was hast du?). Ich möchte, dass diese Vorhersagezeilen eher wie das folgende Bild von der JMP-Website aussehen:
Bitte lassen Sie mich wissen, wie ich aus meinen Daten bessere Vorhersagen machen kann! Vielen Dank!
Betreff: Gebogene Vorhersagelinien statt linearDie vollständige Beantwortung Ihrer Frage könnte ein ganzes Buch füllen, da mehrere Bücher zur Versuchsplanung geschrieben wurden, um die Beantwortung Ihrer Frage zu erleichtern.
Um es kurz zu machen: Mit Ihrem Entwurf können Sie einen bestimmten Modelltyp anpassen (der Entwurf und das Modell passen zusammen). Wenn Sie Kurven sehen möchten, benötigen Sie ein Modell, das dieses Verhalten aufweist. Dies bedeutet normalerweise, dass Ihr Modell quadratische oder quadratische Terme haben muss. Ihre Wahl des Designs muss die richtigen experimentellen Läufe liefern, die eine Schätzung solcher Begriffe ermöglichen.
Betreff: Gebogene Vorhersagelinien statt linearVielen Dank für die Erklärung.
Ich hatte den Eindruck, dass ein dreistufiger kontinuierlicher Parametersatz gekrümmte Anpassungen ermöglichen würde. Ich habe ein Taguchi-Methodendesign des folgenden Typs verwendet:
Sollte dies keine Kurvenanpassungen zulassen, da jeder stetige Parameter drei numerische Ebenen enthält? Danke noch einmal!
Betreff: Gebogene Vorhersagelinien statt linearJa, 3 Ebenen definieren zwar eine Kurve, aber Sie müssen die Kombinationen aller Variablen berücksichtigen. Sehen Sie sich dieses Diagramm an, in dem alle vier Variablen zusammen dargestellt sind (ein Diagramm von B gegen A für jede Kombination von C und D). Es gibt nie einen Punkt, an dem Sie drei Punkte im selben Quadranten haben, die die Schätzung eines Quadrats ermöglichen würden.
Wenn Sie einen Faktor entfernen, z. B. D, können Sie möglicherweise einige quadratische Effekte erzielen, aber Sie können die Wechselwirkungen immer noch nicht abschätzen.
Im Wesentlichen wird das von Ihnen betrachtete Taguchi-Design als Resolution III-Design bezeichnet. Es sollen nur die Haupteffekte berücksichtigt werden, nicht einmal die Wechselwirkungen zwischen den Faktoren. Sie müssen IMMER das Design auswählen, das die Ziele des Experiments erfüllt. Wenn Sie quadratische Effekte schätzen möchten, benötigen Sie einen anderen Designtyp.
Denken Sie daran, dass der benutzerdefinierte Designer von JMP Sie dabei unterstützt. Anstatt ein benanntes Design (wie Taguchi) auszuwählen, geben Sie Ihre Faktoren und das Modell an, das Sie schätzen möchten. JMP wählt dann das Design aus, mit dem Sie Ihr ausgewähltes Modell schätzen können.
Betreff: Gebogene Vorhersagelinien statt linearDanke, das war sehr hilfreich!
Betreff: Gebogene Vorhersagelinien statt linearZu ergänzen @ Dan_Obermiller Die Antworten von JMP sind ein effizienter Ort, um BEIDE grundlegenden DOE-Fähigkeiten zu erlernen. Die Vorgehensweise bei JMP basiert auf dem Abschluss ausgewählter SAS-Schulungskurse, die den DOE-Bereich abdecken. Zwei, um loszulegen, könnten sein:
https://support.sas.com/edu/schedules.html?ctry=us&crs=JMDOE
https://support.sas.com/edu/schedules.html?ctry=us&crs=JDRS
Und wenn Sie nur Ressourcen haben (Zeit, Geld, etc.) als @ Dan_Obermiller Hinweise auf, ich würde den ersten Eintrag oben vervollständigen. Mit JMP und dem Custom Design-Kurs ... ist dies heutzutage der richtige Weg, um Effizienz, Flexibilität und Anpassungsfähigkeit vieler verschiedener praktischer Probleme an den DOE-Problemlösungsansatz zu erreichen.
