Vollständige faktorielle Analyse mit zusätzlicher BlockierungLiebe JMP-Community,
Anfangs habe ich das folgende Experiment unter Verwendung des vollfaktoriellen - 3-Faktors (2 kontinuierlich + 1 kategorial) - Prozesskammer als kategorialer Faktor entworfen.
Für das betreffende Verfahren ist bereits bekannt, dass es Variationen von Kammer zu Kammer geben wird, aber alle Kammern müssen innerhalb einer bestimmten Spezifikationsgrenze betreibbar sein. Daher die anfängliche Entscheidung, die Kammer als kategorialen Parameter einzubeziehen.
Insgesamt gab es 20 Läufe. Das Experiment wurde durchgeführt und Daten wurden gesammelt.
1. Wäre es besser, wenn in erster Linie Vollfaktoriell mit Blockierung verwendet würde, da die Kammer als zufälliger Effekt betrachtet werden kann? Wenn ja, dann bin ich am Arsch. 
2. Gibt es eine andere Möglichkeit, die vorhandenen gesammelten Daten zu verwenden, um die Daten richtig zu analysieren?
Danke im Voraus
AmirSS
DAMHIRSCHKUHBetreff: Vollfaktorielle Analyse mit zusätzlicher BlockierungWarum sollte die Kammer Ihrer Meinung nach als Zufallseffekt betrachtet werden?
Sie würden einen Faktoreffekt als zufälligen Effekt modellieren, wenn Sie erwarten, dass wichtige Unterschiede zwischen den Stufen des Faktors zu sehen sind und Sie die Stufen nicht kontrollieren können.
Ein klassisches Beispiel ist DAY, wenn Sie an jedem Tag mehrere Durchläufe haben und Sie aufgrund eines oder mehrerer "Rauschen"-Faktoren Unterschiede in der Reaktion zwischen den Tagen erwarten würden (z. B. Umgebungstemperatur, Feuchtigkeit, tägliche Instrumentenkalibrierung, Schichtführer, ...) die von Tag zu Tag variieren und Sie nicht kontrollieren können.
Sie können einen zufälligen Effekt für DAY hinzufügen, um die tägliche Rauschfaktorschwankung zu berücksichtigen und sie von der Schwankung aufgrund der festen interessierenden Effekte zu trennen. Auf diese Weise können Sie die Wirkung der Faktoren, die Sie kontrollieren können, besser einschätzen. Sie können jedoch keine konkreten Vorhersagen über einen zukünftigen Tag machen, da Sie keine Informationen darüber haben, wie der zufällige Effekt von DAY sein wird.
Auf der anderen Seite könnten Sie vermuten, dass es einen vorhersehbaren DAY-Effekt gibt, der je nach Wochentag variiert. Vielleicht erwarten Sie am Montag und Dienstag eine höhere Resonanz. In diesem Fall würden Sie DAY (M, Di, W, Do, Fr) als festen Effekt modellieren. Mit Ihrem Modell könnten Sie Vorhersagen über die Antwort treffen, die Sie an einem bestimmten Wochentag sehen könnten.
Hoffentlich macht das Sinn.
Die Frage für Sie lautet daher, ob Chamber im ersten Beispiel wie der "geräuschvolle" Effekt von DAY oder im zweiten Beispiel wie der vorhersehbare Effekt von DAY ist.
Ich hoffe, ich habe Ihre Verwirrung nicht verstärkt!
Phil
Betreff: Vollfaktorielle Analyse mit zusätzlicher BlockierungPhil Beratung und Erklärung ist ausgezeichnet. Meine Gedanken:
1. Sind Sie eigentlich daran interessiert zu experimentieren (kausale Strukturen verstehen) oder testen (einen Gewinner auswählen)? Möchten Sie verstehen, warum Sie potenziell unterschiedliche Auswirkungen der 2 kontinuierlichen Variablen für jede Kammer erhalten würden?
2. Sind Sie neugierig, warum Sie nicht versuchen, die Variation von Kammer zu Kammer zu verstehen und möglicherweise zu reduzieren?
3. Gibt es signifikante Variationen innerhalb der Kammer? Wie sieht es mit Messsystemfehlern aus?
4. Gibt es nur 2 Kammern? Wenn ja, versuchen Sie, die Einstellungen zu finden, die in jeder Kammer am besten funktionieren?
5. Sie können den Datensatz, den Sie haben, sicherlich analysieren. Es scheint, dass Sie eine 3^2-Fakultät haben, die über 2 Kammern repliziert wird. Sie können die Ergebnisse für jede Kammer separat analysieren (wenn Sie nur die passenden Effekte für jede Kammer finden möchten) oder wenn Sie tatsächlich Hinweise zum Verständnis der Effekte erhalten möchten und warum sie für jede Kammer unterschiedlich sein könnten, können Sie Kammer . einbeziehen und alle Kammer-durch-Faktor-Wechselwirkungen im Modell.
