J'ai créé un modèle de criblage en résolution IV comportant quatre facteurs (température, vitesse, hauteur de couche et temps d'attente) et quatre réponses (contrainte à la rupture, contrainte à la rupture, module et cristallinité). La conception comporte 8 pistes et 4 points centraux, soit un total de 12 pistes. Le but de mon expérience est d’identifier les facteurs les plus influents pour chaque réponse. Après avoir effectué l'expérience, l'un des essais a montré un résultat très différent des autres (le stress à la rupture et la contrainte à la rupture sont beaucoup plus importants) car les échantillons n'étaient pas très bien imprimés. Je voulais supprimer cette analyse (analyse 3, température = 410, vitesse = 20, hauteur de couche = 0,3, temps d'attente = 11) car je peux obtenir un meilleur ajustement et davantage de facteurs ont été détectés dans le modèle. Par exemple, si vous ne supprimez pas Run3, les facteurs importants pour le stress à la rupture sont la température et le temps d'attente. Après le retrait de l'essai 3, la température et le temps d'attente étaient toujours détectés, et la hauteur de la couche était détectée comme troisième facteur important. En outre, pour la déformation à la rupture, la température est le seul facteur si l'analyse 3 est incluse, mais sans l'analyse 3, la température et la vitesse ont été incluses dans le modèle. Cependant, lorsque j'ai vérifié l'évaluation de la conception, la variance de prédiction est devenue plus importante après la suppression de l'analyse 3 et elle est particulièrement élevée, en particulier au niveau du facteur de l'analyse 3. Je ne suis donc pas vraiment sûr de l'opportunité de supprimer cette analyse. J'ai inclus quelques chiffres pour montrer la différence entre les deux modèles (avec et sans Run 3). Merci!
Voici certaines de mes pensées.
Il n’existe pas de "règles" définitives pour manipuler des points inhabituels dans les expériences, mais comme le fait remarquer Daniel, l’un des 5 défauts les plus fréquents dans l’analyse du DOE est le "défaut d’étude des données pour les mauvaises valeurs". Ceci est probablement dû au fait que la plupart des expériences ont des ensembles de données plutôt petits et que des points de données singuliers peuvent avoir un effet considérable sur les méthodes quantitatives (par exemple, ANOVA et régression).
Maintenant, avant de commencer à supprimer des points de données, je pourrais demander ce que vous avez appris de ce traitement. Pourquoi les résultats étaient-ils si différents des autres? Combien différent? Quelles sont les autres variables non spécifiquement manipulées dans l’expérience (aka. bruit) faire. Je me souviens d'avoir discuté de données aberrantes avec le Dr Taguchi il y a de nombreuses années et il aurait déclaré: "c'est peut-être la chose la plus importante apprise dans l'expérience". Le système de mesure est-il adéquat? Pour les tests destructifs tels que les tests de contrainte et de contrainte où il est pratiquement impossible de séparer l'erreur de mesure de la variation du produit, cela peut être difficile à déterminer. Je recommande souvent de prélever plusieurs échantillons à chaque traitement afin de permettre une évaluation du traitement.
Dans votre cas, confirmez d’abord que les données sont effectivement aberrantes (car il est possible que cela soit dû à un effet de traitement élevé). Comme vous avez plusieurs Y, vous pouvez tester les valeurs aberrantes possibles avec les distances de Mahalanobis (Analyser> Multivarié> Multivarié, option Analyse des valeurs aberrantes). La plupart des gens utilisent des résidus pour aider à identifier les cas où les hypothèses d'analyse ne sont pas satisfaites. L'analyse de classement peut également être utile.
Si vous êtes convaincu que le traitement est effectivement compromis, vous pouvez procéder de différentes manières pour en évaluer les effets:
Remplacement:
1. Remplacer les points de données inhabituels par la moyenne des points de données restants
2 Régressez sur les points de données restants et, à l'aide de l'option Enregistrer les résultats prédits, JMP "prédira" le point de données manquant.
3 Utiliser les valeurs prédites (en supposant que vous ayez fait des prédictions avant d'exécuter le test)
Rediffusion:
1. Relancez ce traitement, même si vous devez peut-être prendre en compte d'éventuels effets de blocage
2 Réexécutez une fraction de l'expérience
3 Réexécutez toute l'expérience, mais si c'était moi, je verrais ce que j'avais appris et modifierais les niveaux avant la réplication.
