Welche Alias-Begriffe in das Anpassungsmodell einbezogen werden sollenGuten Tag
Ich habe ein Haupteffekt-Screening-Designexperiment durchgeführt, um festzustellen, welche meiner Faktoren den größten Einfluss auf die mechanischen Eigenschaften eines Materials haben. Meine Faktoren waren:
L -> 5-stufiger diskreter numerischer Wert
R -> 2. Ebene kategorisch
S -> 2. Stufe kategorisch
T -> 2-stufige Kategorisierung
Ich habe die Standardanzahl an Läufen verwendet und einen Replikatlauf hinzugefügt, da dies von einem Kollegen vorgeschlagen wurde, und habe mein Bestes gegeben, um die Korrelationswerte bei der Verwendung der Entwurfsbewertungstools zu minimieren, musste die Läufe jedoch auf ein Minimum beschränken, da ich nicht viele hatte Material, mit dem man arbeiten kann. Wenn ich mich richtig erinnere, wurden die beiden Faktorinteraktionen automatisch aus dem Design ausgeschlossen und als Aliasbegriffe hinzugefügt.
Wenn ich jetzt meine Analyse durchführe, nachdem ich meine experimentellen Daten mithilfe der Anpassungsmodellplattform und des Effektscreenings eingegeben habe, variieren die signifikanten Effekte je nachdem, welche Aliasbegriffe ich in die Anpassungsmodellplattform einbeziehe. Ich kann auch nicht alle Zwei-Faktor-Wechselwirkungen einbeziehen (z. B. kann LI einen Zwei-Faktor-Wechselwirkungsterm nur zweimal einbeziehen), da die meisten Effekte dann einfach nicht in der resultierenden Effektzusammenfassung angezeigt werden. Hat das etwas mit den Freiheitsgraden im Design zu tun? Ist es richtig, zu versuchen, so viele der beiden Faktorinteraktionsterme wie möglich einzubeziehen und denjenigen mit der höchsten Korrelation mit den Haupteffekten Priorität in der Alias-Matrix einzuräumen? In meiner Alias-Matrix lauten die 4 höchsten Korrelationen wie folgt:
L*(T*R) – 0,69
L*(T*S) – 0,58
L*(S*R) – 0,58
R*(T*L) – 0,56
wobei die Faktoren in Klammern der Zwei-Faktor-Wechselwirkungsterm sind, der teilweise mit dem Haupteffekt vor der Klammer versehen ist. Darauf folgen 4 weitere Korrelationen mit Werten um 0,4 und der Rest des Designs enthält Begriffe mit sehr niedrigen Korrelationswerten.
Sind diese Alias-Begriffe der Grund dafür, dass der Effekt L in den meisten Fällen als einziger signifikanter Faktor (p<0,05) auftaucht, wenn ich verschiedene Zwei-Faktor-Wechselwirkungen einbeziehe?Sollte ich die vier oben aufgeführten Faktoren (mit den höchsten Korrelationen) als meine beste Möglichkeit einbeziehen, um herauszufinden, welche Faktoren bedeutsam sind, wenn es welche gibt? Muss ich überhaupt zwei Faktorinteraktionen in die Analyse des Anpassungsmodells einbeziehen?
VersuchsplanungBetreff: Welche Alias-Begriffe in das Anpassungsmodell einbezogen werden sollenASTM- und ISO-Standards werden selten (wenn überhaupt) umgesetzt, um optimale Prozesse bereitzustellen. Sie sind das Ergebnis der Zusammenarbeit zwischen vielen Einzelpersonen und Organisationen und werden häufig ausgehandelt. Typischerweise sind sie das minimal akzeptierte Kriterium.
Auch wenn die Einstellungen konstant bleiben, heißt das nicht, dass der Prozess nicht variiert! Beispielsweise könnten Sie die Formtemperatur eines Spritzgussprozesses auf eine bestimmte Temperatur einstellen. Doch während der Prozess läuft und heißes Material in die Form eingespritzt wird, steigt die Formtemperatur. Dem kann entgegengewirkt werden, indem man ein Kühlmittel durch die Form laufen lässt, aber all dies trägt zu Schwankungen in der tatsächlichen Formtemperatur bei.
Die Anzahl der Variablen stellt keine Einschränkung Ihrer Untersuchung dar. Zugegebenermaßen sind Ihre Ressourcen möglicherweise begrenzt, aber es gibt keine Begrenzung für die Anzahl der Variablen, die mithilfe sequenzieller gezielter Stichproben und Experimente untersucht werden können. Es gelten die Prinzipien von Knappheit, Hierarchie und Vererbung. Eine grundlegende Wahrheit: Um etwas über die Wirkung eines Faktors zu erfahren, muss dieser Faktor in der Studie variieren. Wenn es in der Studie konstant ist, gibt es keine Möglichkeit, seine Wirkung abzuschätzen. Da Sie also Ihre gesamte Studie mit einer Charge durchgeführt haben, verfügen Sie über keine Daten, die Ihre Schlussfolgerungen stützen würden, wenn sich die Charge ändert (was irgendwann der Fall sein wird).
Strategien zum Umgang mit Lärm in Experimenten sollten vor der Durchführung des Experiments geplant und festgelegt werden. Es gibt Zeiten, in denen wir einige Strategien nach der Durchführung des ersten Experiments nutzen können, diese sind jedoch nicht optimal. Sie können beispielsweise die erste Wiederholung Ihres Experiments in Block 1 betrachten und dann das gesamte Experiment für den zweiten Block erneut wiederholen. Sie müssen jedoch sehr auf das Rauschen achten, das innerhalb des Blocks konstant war, und sicherstellen, dass sich das Rauschen zwischen den Blöcken ändert .
Es gibt Zeiten, in denen Sie Läufe zur Verwendung in anderen Situationen retten können, aber Sie müssen sich immer des „Blockierungseffekts“ bewusst sein. Ich bin mir nicht sicher, was Sie mit „ Ich versuche nur, den bestmöglichen Weg zu finden, meine Ergebnisse zu analysieren.“
Ja, Sie entscheiden, welches Modell zur Analyse in JMP eingegeben wird (Anpassungsmodell). Dies sollte vor dem Entwurf des Experiments erfolgen, damit Sie sicherstellen, dass die interessantesten Auswirkungen durch Ihr Experiment abgeschätzt werden können. Nachdem Sie jedoch über die Daten verfügen, entscheiden Sie immer noch, was in das Modell zur Analyse einbezogen werden soll und was nicht.
Betreff: Welche Alias-Begriffe in das Anpassungsmodell einbezogen werden sollenZu den zusätzlichen Kommentaren. Sie machen eine berechtigte Bemerkung, wenn Sie sagen, dass nicht alle Einstellungen immer konstant bleiben. Allerdings gibt es derzeit im Bereich der 3D-Druck-Forschung keinen ASTM/ISO-Standard, den man beim Drucken befolgen kann. Wie Sie sagten, darf man bei der Entwicklung dieses Standards nicht davon ausgehen, dass bestimmte Einstellungen konstant bleiben, während andere als Variablen gewählt werden. Da es jedoch so viele Einstellungen gibt, die geändert/untersucht werden können, wählen die meisten Forscher (in der Literatur) normalerweise einige Einstellungen aus, um sie zu variieren, während andere Einstellungen konstant bleiben, wie ich es bei mir getan habe. Dies ist immer noch ein stark wachsendes Forschungsgebiet.
Ich habe durchgehend die Materialien aus derselben Charge verwendet. Es sollte mir möglich sein, einige Rauschvariablen zu identifizieren. Wenn ich sie identifizieren kann: Um die von Ihnen genannten Strategien (BCBD, Split-Plot usw.) zu verwenden, sollten die Rauschvariablen in das Modell einbezogen werden, bevor ich meinen Entwurf erstellt habe, oder kann ich diese Strategien jetzt verwenden, auch nachdem ich dies bereits getan habe? meine Experimente mit meinem aktuellen Design?
Antwort auf Ihren zweiten Absatz: Wenn ich stattdessen beispielsweise einen Mischungsentwurf durchführen würde, wäre es dann möglich, dass ähnliche Läufe wie meine aktuellen Läufe generiert werden könnten, sodass ich nicht alle meine Experimente wiederholen müsste? Ich habe nur begrenzte Zeit und verbleibende Ressourcen (Materialien) und versuche daher nur, die bestmögliche Möglichkeit zur Analyse meiner Ergebnisse zu finden. Wenn es nicht möglich ist, ein besseres Design zu erstellen, ohne alle Durchläufe wiederholen zu müssen, kann ich alle von Ihnen angesprochenen Probleme dennoch in meine Diskussion zu meinem experimentellen Design einbeziehen.
Antwort zum dritten Absatz: „Sie können entscheiden, welches Modell ausgeführt werden soll“ – bezogen Sie sich hier auf die Zeit, als ich meinen Entwurf erstellte, also vor der Generierung der Entwurfstabelle oder auf die Analyse der Ergebnisse in der Anpassungsmodellplattform?
Danke schön!
Betreff: Welche Alias-Begriffe in das Anpassungsmodell einbezogen werden sollenZusätzliche Kommentare:
zu Deiner Aussage: „ Alle anderen Einstellungen könnten sein wird mit der Standardeinstellung gesteuert s und solche wie Umweltveränderungen während Tests, die variieren können und nicht im Modell enthalten sind, wurden dennoch gemessen, um sicherzustellen, dass sie bestehen bleiben mehr oder weniger konstant und beeinflussen die Ergebnisse nicht wesentlich. "
Die Einstellungen haben Kontrolliert oder konstant gehalten ist NICHT das, was Sie tun sollten, da dies dazu führt, dass das Experiment in einem Inferenzraum ausgeführt wird, der für zukünftige Bedingungen wahrscheinlich nicht typisch ist. Daher sind Ihre Ergebnisse auf diese Bedingungen beschränkt. Haben Sie sich mit Messsystemfehlern befasst? Stammen die Zusatzstoffe aus einer oder mehreren Chargen? Gibt es Abweichungen von Charge zu Charge? Sie sollten eine Strategie für den Umgang mit diesen Rauschvariablen haben. Um einen großartigen Experimentator zu zitieren:
„Blockieren Sie, was Sie können, und randomisieren Sie, was Sie nicht können“ GEP Kasten
Wenn Sie alle Rauschvariablen identifizieren können, stehen hervorragende Strategien zur Partitionierung und Zuordnung dieser Variationsquellen zur Verfügung (z. B. BCBD, BIB, Split-Plots, Wiederholungen, Kovariaten usw.). Sie konstant beizubehalten ist nur dann eine gute Idee, wenn Sie vorhaben, dies für immer zu tun . Wenn Sie die Rauschvariablen nicht identifizieren können, verwenden Sie die Randomisierung, um hoffentlich unvoreingenommene, repräsentative Schätzungen der Kombination aller dieser Rauschvariablen zu erhalten. Diese Schätzung kann anschließend für statistische Tests verwendet werden.
Ich bezweifle, dass eine wiederholte Behandlung Ihnen eine vernünftige Schätzung des Lärms liefern wird, aber das ist nur meine Erfahrung.
Ich bin mir nicht sicher, ob ich Ihren ersten Aufzählungspunkt verstehe? Wenn es Einschränkungen hinsichtlich der Ebeneneinstellung für diese Variablen gibt, können Sie einen Mischungsentwurf in Betracht ziehen. Der Sinn IHRES Experiments besteht darin, die in der Literatur durchgeführten Studien zu validieren (die in einem völlig anderen Designraum durchgeführt wurden) und Einblick in Ihre Hypothesen zu geben. Es ist in Ordnung, dass Faktoren ihre Auswirkungen zeigen, ob groß oder klein, und auch im Verhältnis zu anderen Faktoren in der Studie. Ihr Argument liefert keine Rechtfertigung für mehr als 2 Ebenen (weil Ihre Vorgesetzten wollen ...)
Was Ihren zweiten Aufzählungspunkt betrifft, haben Sie eine gebrochene Fakultät erstellt. Dies erreichen Sie, indem Sie Effekte höherer Ordnung mit Effekten erster Ordnung aliasen. Dies gilt für jedes gebrochene Design. Wenn Sie den Effekt 1. Ordnung mit einem Effekt 2. Ordnung aliasen, haben Sie Res. III-Design, wenn Sie den Effekt 1. Ordnung mit 3. Ordnung aliasen, Res. IV usw. Das Aliasing ist darauf zurückzuführen, dass Sie Behandlungen einsparen möchten, da Sie den Verdacht haben, dass Sie noch nicht den optimalen Designraum erreicht haben und nicht sicher sind, welche Faktoren die größte Wirkung haben. Sie können entscheiden, welches Modell in JMP ausgeführt werden soll. Um dies zu erreichen, gibt es mehrere Denkrichtungen. Ich neige dazu, mit einem gesättigten Modell zu beginnen und unwichtige Begriffe zu entfernen. Andere beginnen mit 1 Variablen und fügen Variablen nacheinander (schrittweise) hinzu. Es gibt keinen richtigen Weg, aber Sie müssen wissen, wie Sie die von Ihnen erstellten Modelle bewerten, und JMP bietet eine Fülle von Statistiken, die Ihnen dabei helfen.
Betreff: Welche Alias-Begriffe in das Anpassungsmodell einbezogen werden sollenNochmals vielen Dank für Ihre schnelle Antwort!
Zu Ihren Stichpunktkommentaren: Mein Experiment untersucht die Wirkung von Zusatzstoffen (zwei der Faktoren) sowie 3D-Druckeinstellungen (zwei Faktoren) auf 3D-gedruckte Teile, die mit meinem Material erstellt wurden. Ja, ich habe eine gründliche Literaturrecherche durchgeführt und mich mit meinem Vorgesetzten zusammengesetzt, um zu besprechen, welche Variablen auf welchen Ebenen ich einbeziehen sollte. Alles war gut geplant und es gab genügend Daten, um Entscheidungen zu untermauern. Alle anderen Einstellungen konnten auf die Standardeinstellungen kontrolliert werden und solche wie Umgebungsveränderungen während Tests, die variieren können und nicht im Modell enthalten sind, wurden dennoch gemessen, um sicherzustellen, dass sie mehr oder weniger konstant bleiben und die Ergebnisse nicht wesentlich beeinflussen.
1): Ich hätte mir gewünscht, dass Faktor L ein zweistufiger Faktor wäre. Dies war jedoch nicht möglich, da er den prozentualen Zusatzstoff im Material darstellt und wir für den spezifischen Zusatzstoff eine Differenz von 1 % beim prozentualen Zusatzstoff zwischen 0 und 10 % verwenden könnten haben laut mehreren Literaturstudien einen recht großen Einfluss auf die resultierende Materialfestigkeit. Deshalb wollte mein Vorgesetzter, dass ich mehr als zwei Ebenen einbeziehe.
2) Was die Alias-Begriffe betrifft. Wenn ich das Screening-Design erstelle, füge ich dem Modell nur Haupteffekte hinzu und in der Designbewertung sind keine Alias-Begriffe/Matrix vorhanden. Sobald ich jedoch die Option „Tabelle erstellen“ auswähle und dann erneut in die Designbewertung gehe, werden die Zwei-Faktor-Interaktionen plötzlich unter einem „Alias-Begriffe“-Tab aufgelistet und es erscheint eine Alias-Matrix. Könnte das daran liegen, dass ich die klassische Screening-Designoption verwende und JMP dann meinen 5-Stufen-Faktor übernimmt, wenn die Tabelle erstellt wird?
Vielen Dank für Ihre Beschreibung, warum mein L-Faktor verzerrt ist und wie der Fehlerterm beeinflusst wird – das hat sehr geholfen!
3) Der Replikatlauf wurde von mir zufällig ausgewählt und dann manuell hinzugefügt, da das Screening-Design keine Option zum Hinzufügen von Replikaten zulässt. Würden Sie vorschlagen, dass ich vielleicht mehr zufällige Replikationsläufe zu meinem Design hinzufüge, um eine unvoreingenommenere Fehlerschätzung zu erhalten?
Danke schön!
Betreff: Welche Alias-Begriffe in das Anpassungsmodell einbezogen werden sollen
Meine ersten Kommentare sind: Ich verstehe nicht:
- der Prozess, mit dem experimentiert wird (haben Sie eine Prozesskarte des Experiments erstellt?),
- Die Faktoren noch die Hypothesen, die Sie dazu veranlasst haben, mit diesen Faktoren zu experimentieren (haben Sie eine Gedankenkarte),
- die Antwortvariablen noch wie viel Änderung in den Antwortvariablen, wenn sie von praktischem Wert sind,
- wie das Experiment durchgeführt wurde (haben Sie die Reihenfolge der Durchführung im Auge behalten? Wurde es in zufälliger Reihenfolge ausgeführt?),
- wie Sie mit allen anderen Variablen umgegangen sind, die sich im Verlauf des Experiments geändert haben (die nicht explizit manipuliert wurden).
Daher sind meine Antworten möglicherweise nicht vollständig.
1. Was Sie angehängt haben, ist nicht das, was ich als klassisches Screening-Design bezeichnen würde, da Sie einen Faktor (L) auf mehr als 2 Ebenen haben. Seitdem haben Sie eine ziemlich komplexe Aliasing-Struktur erstellt. Wenn Sie sich an 4 Faktoren auf 2 Ebenen gehalten hätten, hätten Sie in 8 Behandlungen ein unkompliziertes Alias-Struktur-Auflösungs-IV-Design. Ich verstehe nicht, warum Sie nur einen Faktor auf 5 Ebenen testen würden. Dies verzerrt die Ergebnisse, da mehr Informationen zu Faktor L vorliegen als zu anderen in der Studie (4 Freiheitsgrade für L).
2. Ich verstehe immer noch nicht, wie Sie das Wort Alias verwenden. nur die Haupteffekte wurden in das Modell und die t einbezogen Zwei-Faktor-Wechselwirkungen wurden als Aliasbegriffe hinzugefügt ". Sie fügen keine Begriffe hinzu, die demselben Modell zugeordnet sind, da sonst die resultierende Analyse in JMP eine Singularitätswarnung auslöst. In der von Ihnen bereitgestellten Tabelle haben Sie insgesamt 10 DF. Jeder 2-stufige Faktor ist 1 DF und es gibt 4 DF für L (1 für linear, 1 für quadratisch, 1 für kubisch und 1 für quartisch). Die nichtlinearen Terme sind teilweise mit linearen Effekten 2. Ordnung (und höher) verfälscht. Da L im Vergleich zu den anderen im Modell als kontinuierliche Variable betrachtet wird, kann dies zu einem gemischten Modellszenario führen (wird als Zufallseffekt im Vergleich zu den anderen Faktoren behandelt, bei denen es sich um feste Effekte handelt).
Es gibt mehrere Analyseansätze ... einige gehen additiv vor, indem sie mit einem Term beginnen und Terme zum Modell hinzufügen (schrittweise). Manche ziehen es vor, mit einem gesättigten Modell zu beginnen und als unbedeutend erachtete Begriffe zu entfernen. Beides erfordert ein Verständnis und die Fähigkeit zur Interpretation: R-Quadrat, angepasstes R-Quadrat (und das Delta zwischen den beiden), p-Werte, VIFs (für unausgeglichene Designs), MS-Fehler und ob dieser repräsentativ für die ist WAHR Fehler, praktische Bedeutung usw. Beachten Sie, dass wenn Sie einen Term aus dem Modell weglassen, dieser im Fehlerterm landet und dann Teil der MSerror-Schätzung wird, die sich auf den F-Test auswirkt.Das Entfernen unbedeutender Terme aus dem Modell führt zu einer weiteren Verzerrung des MSerror-Terms (wodurch p-Werte noch signifikanter erscheinen).Daniel war der erste, der normale Diagramme verwendete, um statistische Tests durchzuführen, die nicht durch den MSerror-Term beeinflusst wurden.
3. Das Hinzufügen eines Replikationslaufs trägt meiner Meinung nach wenig dazu bei, eine repräsentative, unvoreingenommene Schätzung des Fehlers zu liefern. Und welcher Lauf wurde zur Replikation ausgewählt? Randomisierte Replikate werden sicherlich seit vielen Jahren verwendet/empfohlen, um eine unvoreingenommene Schätzung des Fehlers zu erhalten. Es gibt vielleicht noch mehr effiziente und wirksame Mittel zum Verständnis des Fehlers, wie repräsentativ er für zukünftige Bedingungen ist und ob er daher eine gute Grundlage für einen statistischen Test darstellt.
Betreff: Welche Alias-Begriffe in das Anpassungsmodell einbezogen werden sollenHallo und vielen Dank, dass Sie sich die Zeit genommen haben, meine Fragen zu beantworten!
1 und 2): Ich wurde hilfesuchend an einen Kollegen verwiesen, der Erfahrung im experimentellen Design hat. Ich habe mit einem kundenspezifischen Design begonnen, wurde aber gebeten, lieber ein klassisches Screening-Design zu erstellen, da ich herausfinden möchte, welche Faktoren den größten Einfluss auf die mechanischen Eigenschaften meines Materials haben, damit wir uns bei der weiteren Forschung darauf konzentrieren können.
3 und 6): Ich meinte, dass bei der Erstellung des Screeningdesigns nur die Haupteffekte in das Modell einbezogen wurden und die beiden Faktorinteraktionen als Aliasbegriffe hinzugefügt wurden. Nachdem ich meine Forschungsergebnisse zusammengestellt hatte und mit der Anpassungsmodellplattform analysieren musste, war ich verwirrt darüber, ob ich Aliasbegriffe in den Abschnitt „Anpassungsmodell“ einfügen sollte, bevor ich die Analyse ausführe, da die Aliasmatrix und die Farbkarte teilweise Aliasing und Korrelation zeigten einige Haupteffekte und Wechselwirkungen zwischen zwei Faktoren, jedoch nicht zwischen den Haupteffekten selbst. Ich verstehe die Alias-Matrix, um zu zeigen, welche Haupteffekte durch bestimmte Zwei-Faktor-Wechselwirkungen verzerrt sein können. Und nach dem, was ich gelesen habe, dachte ich, dass diese beiden Faktorinteraktionen dann in den Abschnitt zum Anpassungsmodell einbezogen werden sollten? Wenn ich nur die Analyse des Anpassungsmodells durchführe, ohne Alias-Begriffe hinzuzufügen, und meine Ergebnisse erhalte, worauf muss ich dann achten, um zu wissen, ob die als signifikant angegebenen Haupteffekte wirklich signifikant sind? Ich kenne mich mit Singularität nicht aus, werde mich aber darüber informieren.
4): Mir wurde gesagt, ich solle nach der Generierung der Tabelle manuell einen Replikatlauf zum Screening-Design hinzufügen, bin mir aber nicht sicher, wie das hilft.
Ich füge hier meine JMP-Designtabelle bei.
Betreff: Welche Alias-Begriffe in das Anpassungsmodell einbezogen werden sollenIch bin etwas verwirrt, deshalb hier ein paar Fragen/Kommentare:
1. Wenn Sie ein Screening-Design durchführen, warum testen Sie dann einen Faktor auf 5 Ebenen? Dies würde es Ihnen ermöglichen, ein Polynom 4. Ordnung zu schätzen, das eher mit einem Optimierungsentwurf verbunden wäre.
2. Ich gehe davon aus, dass Sie Custom Design verwendet und die Modellbedingungen hinzugefügt haben, die Sie am meisten interessierten?
3. Ich verstehe nicht, was Sie mit „ Die Wechselwirkungen zwischen zwei Faktoren wurden automatisch aus dem Design ausgeschlossen, wenn ich mich richtig erinnere wurden als Aliasbegriff hinzugefügt S." Im Anpassungsmodell dürfen keine Terme mit Aliasnamen verwendet werden, da es sonst zu Singularität kommt.
4. Ich verstehe auch nicht „einen Replikatlauf hinzugefügt“? Haben Sie dies getan, um für Ihren statistischen Test 1 DF für Fehler zu erhalten? Wie haben Sie entschieden, welche Behandlung Sie wiederholen möchten? Machen Sie sich bewusst, dass der statistische Test MSfactor/MSerror (F-Test) davon ausgeht, dass die Fehler unvoreingenommen, zufällig verteilt und hoffentlich REPRÄSENTATIV sind WAHR Zufällige Fehler (nicht sicher, wie man das mit einer wiederholten Behandlung bekommt?). Und die Residuen erfüllen die NID(0,Varianz)-Annahmen.
5. Jeder Koeffizient im Modell ist bedingt und seine Größe und manchmal auch das Vorzeichen ändern sich.Sie hängen von den anderen Variablen im Modell (und dem Rauschen) ab.
6. Verstehe nicht“ diejenigen mit der höchsten Korrelation mit den Haupteffekten in der Alias-Matrix haben Priorität. Wenn dein Modellvariablen korrelieren, dies ist Multikollinearität. Du willst das nicht. Stellen Sie sicher, dass Sie die VIFs in der Parameterschätzungstabelle überprüfen.
Hängen Sie vielleicht Ihre JMP-Tabelle an und die Community kann einen Blick darauf werfen.
