Faisabilité DOE: facteurs multiples vs réponse multiple (avec différents niveaux de répliques)Bonjour,
Je suis encore nouveau en utilisant JMP DOE. J'ai essayé une réponse avec plusieurs facteurs lors de la configuration d'une table DOE factorielle complète, et il ne semble pas poser de problème pour exécuter le modèle.
Cependant cette fois je suis coincé car on m'a donné quelque chose comme ci-dessous. En raison des paramètres prédéfinis de l'équipement, il n'y a aucune liberté pour régler le no. de mesures pour chaque réponse.
Réponse:
1) Luminosité (20 données de mesure)
2) Dureté (10 données de mesure)
3) Conductivité (50 données de mesure)
4) Force de friction (1000 données de mesure)
Facteurs:
1) Température (2 niveaux en continu)
2) Concentration chimique (2 niveaux en continu)
3) Temps (2 niveaux en continu)
Est-il possible d'exécuter un DOE factoriel complet dans ce cas même si chaque réponse a un niveau différent de répliques?
Je vous remercie.
Tableau de donnéesBICHERe: Faisabilité DOE: Facteurs multiples vs réponse multiple (avec différents niveaux de répliques)Bienvenue dans la communauté JMP. Il serait utile à l'avenir que vous nous fassiez savoir quelle version de JMP vous utilisez et quel système d'exploitation.
La réponse simple est oui. Je ne sais pas ce que vous entendez par # de données de mesure? Sont-ils de différents endroits de l'unité expérimentale? Pourquoi avez-vous besoin de 1000 mesures de force de friction ???? Même si toutes les données sont prises (cela semble automatiquement), ne pouvez-vous pas décider quelles valeurs utiliser pour évaluer l'expérience? Je vous suggère toujours d'avoir des hypothèses pour expliquer pourquoi vous collectez les données que vous collectez! (Parce que nous le faisons toujours de cette façon, ce n'est pas acceptable). Si vous ne pouvez pas réduire le nombre de points de données pour chacun des 4 Y, je collecterais les données et créerais une colonne pour chaque point de données pour chaque combinaison de traitement (oui, 1080 colonnes: B1-B20, H1-H10, C1 -C50, F1-F1000). À partir de là, vous pouvez supprimer les colonnes qui ne sont pas informatives (ne varient pas suffisamment pour être pratiquement significatives), vous pouvez exécuter Méthodes multivariées> Multivarié pour réduire les colonnes fortement corrélées. Ensuite, pour chaque Y (B, H, C, F), empilez ces colonnes. Vous pouvez examiner la variabilité au sein du traitement (graphiques de variabilité ou graphiques en S). Ensuite, le cas échéant, résumez les colonnes empilées (par exemple, moyenne et variation) par les combinaisons de traitement. Ensuite, procédez à l'analyse pour chacun de ces Y résumés.
