Creé un diseño de detección de resolución IV con cuatro factores (temperatura, velocidad, altura de la capa y tiempo de espera) y cuatro respuestas (tensión en la rotura, tensión en la rotura, módulo y cristalinidad). El diseño tiene 8 carreras más 4 puntos centrales, por lo que un total de 12 carreras. El objetivo de mi experimento es identificar los factores más influyentes para cada respuesta. Después de ejecutar el experimento, una de las ejecuciones mostró un resultado muy diferente de los demás (la tensión en la rotura y la tensión en la rotura son mucho mayores) ya que las muestras no se imprimieron muy bien. Quería eliminar esa carrera (Carrera 3, Temperatura = 410, velocidad = 20, altura de capa = 0.3, tiempo de espera = 11) porque puedo obtener un ajuste mucho mejor y se detectaron más factores en el modelo. Por ejemplo, si no se elimina Run3, los factores que son importantes para el estrés en el descanso son la temperatura y el tiempo de espera. Después de que se eliminó la ejecución 3, la temperatura y el tiempo de espera aún se detectaron, y la altura de la capa se detectó como el tercer factor importante. Además, para la tensión en la rotura, la temperatura es el único factor si se incluye la Carrera 3, pero sin la Carrera 3, la temperatura y la velocidad se incluyeron en el modelo. Sin embargo, cuando verifiqué la evaluación del diseño, la variación de predicción se hizo más alta después de eliminar la ejecución 3, y es bastante alta, especialmente en el nivel de factor de la ejecución 3. Así que no estoy realmente seguro de si es apropiado eliminar esa ejecución. He incluido algunas figuras para mostrar la diferencia entre los dos diseños (con y sin Run 3). ¡Gracias!
Aquí están algunos de mis pensamientos.
No existen "reglas" definitivas para manejar puntos inusuales en los experimentos, pero como señala Daniel, uno de los 5 defectos más comunes en el análisis del DOE es "no estudiar los datos para detectar valores incorrectos". Esto probablemente se deba al hecho de que la mayoría de los experimentos tienen conjuntos de datos bastante pequeños y los puntos de datos singulares pueden tener un gran efecto en los métodos cuantitativos (por ejemplo, ANOVA y regresión).
Ahora, antes de comenzar a eliminar puntos de datos, podría preguntarle qué aprendió de ese tratamiento. ¿Por qué los resultados fueron tan diferentes a los demás? ¿Qué tan diferente? ¿Cuáles fueron las otras variables no manipuladas específicamente en el experimento? ruido) haciendo. Recuerdo haber discutido puntos de datos atípicos con el Dr. Taguchi hace muchos años y él decía "eso puede ser lo más importante aprendido en el experimento". ¿Es adecuado el sistema de medición? Para pruebas destructivas como las pruebas de esfuerzo y deformación en las que es prácticamente imposible separar el error de medición de la variación del producto, esto puede ser difícil de determinar. A menudo recomiendo que se realicen múltiples muestras en cada tratamiento para que se puedan realizar algunas evaluaciones dentro del tratamiento.
Para su situación, primero confirme que los datos son realmente atípicos (ya que existe la posibilidad de que se deba a un efecto de tratamiento de alto orden). Dado que tiene Y múltiples, puede probar posibles valores atípicos con las distancias de Mahalanobis (Analizar> Multivariante> Multivariante, opción Análisis de valores atípicos). La mayoría de las personas usan residuos para ayudar a identificar cuándo no se cumplen los supuestos del análisis. El análisis de rango también puede ser útil.
Si está convencido de que el tratamiento está realmente comprometido, hay varias cosas que puede hacer para ver el efecto de ese tratamiento en los resultados:
Reemplazo:
1) Reemplace los puntos de datos inusuales con la media de los puntos de datos restantes
2) Regrese sobre los puntos de datos restantes y use Guardar resultados predichos, JMP "predecirá" el punto de datos faltante.
3) Use valores pronosticados (suponiendo que hizo predicciones antes de ejecutar el experimento)
Repetición:
1) Vuelva a ejecutar ese tratamiento, aunque es posible que deba tener en cuenta los posibles efectos de bloqueo
2) Vuelva a ejecutar una fracción del experimento.
3) Vuelva a ejecutar todo el experimento, aunque si fuera yo vería lo que había aprendido y modificaría los niveles antes de la replicación
