Ho creato un progetto di screening di risoluzione IV con quattro fattori (temperatura, velocità, altezza dello strato e tempo di attesa) e quattro risposte (stress a rottura, tensione a rottura, modulo e cristallinità). Il design ha 8 piste più 4 punti centrali, quindi un totale di 12 piste. L'obiettivo del mio esperimento è identificare i fattori più influenti per ogni risposta. Dopo aver eseguito l'esperimento, una delle prove ha mostrato un risultato molto diverso dagli altri (lo stress alla rottura e la tensione alla rottura sono molto più grandi) poiché i campioni non sono stati stampati molto bene. Volevo rimuovere quella corsa (Run 3, Temperatura = 410, velocità = 20, altezza strato = 0,3, tempo di attesa = 11) perché posso ottenere una misura molto migliore e sono stati rilevati più fattori nel modello. Ad esempio, se non si rimuove Run3, i fattori significativi per lo stress alla rottura sono la temperatura e il tempo di attesa. Dopo la rimozione di Run 3, la temperatura e il tempo di attesa sono stati ancora rilevati e l'altezza dello strato è stata rilevata come terzo fattore importante. Inoltre, per la tensione a rottura, la temperatura è l'unico fattore se è inclusa la corsa 3, ma senza la corsa 3, la temperatura e la velocità sono state incluse nel modello. Tuttavia, quando ho verificato la valutazione del progetto, la varianza della previsione è diventata più alta dopo aver rimosso la Run 3, ed è piuttosto elevata soprattutto a livello di fattore della Run 3. Quindi non sono davvero sicuro se sia appropriato rimuovere quella corsa. Ho incluso alcune figure per mostrare la differenza tra i due design (con e senza Run 3). Grazie!
Ecco alcuni dei miei pensieri.
Non esistono "regole" definitive per la gestione di punti insoliti negli esperimenti, ma come sottolinea Daniel, uno dei 5 difetti più comuni nell'analisi del DOE è "l'incapacità di studiare i dati per valori errati". Ciò è probabilmente dovuto al fatto che la maggior parte degli esperimenti ha insiemi di dati piuttosto piccoli e singoli punti di dati possono avere un effetto enorme sui metodi quantitativi (ad es. ANOVA e regressione).
Ora, prima di iniziare a rimuovere i punti dati, potrei chiederti cosa hai imparato da quel trattamento? Perché i risultati sono stati così diversi dagli altri. Quanto diverso? Quali erano le altre variabili non specificamente manipolate nell'esperimento (aka. rumore) facendo. Ricordo di aver discusso molti punti di dati anomali con il Dr. Taguchi molti anni fa e avrebbe detto "che potrebbe essere la cosa più importante appresa nell'esperimento". Il sistema di misurazione è adeguato? Per prove distruttive come prove di sollecitazione e deformazione in cui è praticamente impossibile separare l'errore di misura dalla variazione del prodotto, questo può essere difficile da accertare. Raccomando spesso di fare più campioni per ogni trattamento in modo da poter fare alcuni all'interno della valutazione del trattamento.
Per la tua situazione, prima conferma che i dati sono davvero un valore anomalo (poiché esiste la possibilità che sia dovuta a un effetto di trattamento di ordine elevato). Dato che hai Y multipli, puoi testare possibili valori anomali con le distanze di Mahalanobis (Analizza> Multivariato> Multivariato, opzione Analisi anomala). La maggior parte delle persone usa i residui per identificare se i presupposti dell'analisi non sono soddisfatti. Anche l'analisi dei gradi può essere utile.
Se sei convinto che il trattamento sia effettivamente compromesso, ci sono una serie di cose che puoi fare per vedere l'effetto di quel trattamento sui risultati:
Sostituzione:
1. Sostituisci i punti dati insoliti con la media dei punti dati rimanenti
2. Registra sui punti dati rimanenti e utilizzando i risultati previsti per il salvataggio, JMP "prevede" il punto dati mancante.
3. Utilizza i valori previsti (supponendo che tu abbia fatto previsioni prima di eseguire l'esperimento)
Rerun:
1. Rieseguire quel trattamento, anche se potrebbe essere necessario tenere conto dei possibili effetti di blocco
2. Rieseguire una frazione dell'esperimento
3. Rieseguire l'intero esperimento, anche se se fossi in me vedrei ciò che avevo imparato e modificare i livelli prima della replica
