無料のオンラインコースで詳細をご覧ください。
産業問題解決のための統計的思考
このビデオでは、ファイル2x2x2Unreplicated.jmpを使用してJMPで完全な因子実験を分析する方法を示します。
名前が示すように、これは複製されていない2です3完全な階乗実験。 要因は温度、時間、および触媒であり、応答は歩留まりです。
この実験はJMPで設計されているため、モデルスクリプトを実行して分析を開始できます。 代わりに、説明のために、[分析]、[モデルの適合]の順に選択します。
[モデル仕様]ダイアログに、応答、歩留まり、およびいくつかのモデル効果が表示されていることがわかります。 デフォルトでは、モデルには主効果と双方向の交互作用のみが含まれます。
これらのエフェクトを選択し、[削除]をクリックして最初からやり直し、モデルエフェクトパネルに最初から入力します。
主な効果と双方向の交互作用を追加します。
これを行うには、[列の選択]パネルで3つの要素を選択し、[マクロ]ボタンをクリックして、[階乗から度]を選択します。 デフォルトでは、Degreeは2であることがわかります。 したがって、モデル効果パネルには、主効果と双方向の交互作用が表示されます。
[実行]をクリックして、この分析を実行します。
デフォルトでは、EffectSummaryテーブルとPredictionProfilerが表示されます。
効果の概要テーブルの用語は、P値に基づいて昇順で並べ替えられます。 最も重要な用語は温度であり、その後に温度*時間の相互作用が続きます。
他の双方向の交互作用は重要ではないことがわかります。
重要でない効果を一度に1つずつ削除して、モデルを縮小します。 これを行うには、EffectSummaryテーブルでTemperature* Catalystインタラクションを選択し、[削除]をクリックします。 Time*Catalystインタラクションも削除します。
モデルの効果の係数は、パラメーター推定値の表にリストされています。
Prediction Profilerを使用すると、モデルを視覚化できます。 最も重要な用語である温度は、最も急なプロファイルラインを持っています。 この線をクリックして温度の低い値にドラッグし、次に高い値にドラッグすると、予測される歩留まりがどのように変化するかを確認できます。
また、温度と時間の間の相互作用を見ることができます。 温度を低レベルから高レベルに変更すると、時間の線の傾きがどうなるかに注意してください。 時間の線の傾きが変化します。
この交互作用をよりよく確認するには、上部の赤い三角形をクリックし、[因子プロファイリング]、[交互作用プロット]の順に選択します。
プロファイルラインが非平行であることがわかります。 これは、応答に対する1つの要因の影響が、他の要因の設定に依存することを示しています。
PredictionProfilerをもう一度見てみましょう。
この実験の目的は、収量を最大化することです。 したがって、いくつかの望ましさのパネルが表示されます。 一番上の行の最後のボックスは、応答の目標を示す望ましさ関数です。 このボックスをダブルクリックすると、目標と望ましさがわかります。 Yieldの値が高いほど望ましいです。 応答を最大化する要因の設定を見つけるようにJMPに指示するとき、この望ましさ関数を最適化します。
今これをやってみましょう。 PredictionProfilerの赤い三角形からOptimizeandDesirabilityを選択してから、MaximizeDesirabilityを選択します。
最高の予測収量をもたらす要因の設定は、高レベルでの温度（120）、低レベルでの時間（4）、および高レベルでの触媒（5）です。 これらの設定では、予測される歩留まりは89.32です。 括弧で囲まれた値は、この予測された歩留まりの平均の信頼区間を形成します。 これらの係数設定では、平均歩留まりが88.2から90.5の間にあることを95％確信できます（もちろん、プロセスが変更されていないと仮定します）。
結果を調査および分析するための上部の赤い三角形の下に多くの追加オプションがありますが、この短いビデオでは説明しません。
これらのオプションを自分で検討することをお勧めします。
