Hallo zusammen,
Ich habe mich gefragt, ob es eine gute Strategie zum Entwerfen einer Reihe von Experimenten gibt, um die Faktoren mit dem größten Einfluss auf die Antwort zu finden, die nominal ist (Ja / Nein, Pass / Fail-Antwort) anstelle der typischen kontinuierlichen Antwort? Während für die nominale Reaktion eine logistische Regression mit verfügbaren Daten durchgeführt werden kann, bezweifle ich, dass das übliche faktorielle / fraktionierte faktorielle Design in diesem Fall noch funktioniert (da sie für die kontinuierliche Reaktion gedacht sind). Was wäre in diesem Fall ein geeignetes Vorgehen? Bitte weisen Sie mich auf relevante Begriffe / Theorien hin, wenn Ihnen etwas einfällt.
Vielen Dank im Voraus.
Es gibt absolut keinen a priori Grund, warum eine nominelle Reaktion die solide Praxis des experimentellen Designs ausschließt oder als einen unsoliden Weg zur Entdeckung erscheinen lässt. Alle Prinzipien solider DOE-Methoden gelten weiterhin. Als leitender Systemingenieur bei JMP (jetzt im Ruhestand) habe ich mich an zahlreiche Konsumgüterunternehmen gewandt, die DOE als Lebenselixier ihrer Produktdesignbemühungen verwenden. Sehr oft würden sie sensorische Gremien von Produktbewertern einsetzen, und fast immer liefern die Personen, die in diesen Gremien sitzen, nominale Antwortdaten für die spezifischen experimentellen Designs, die ausgeführt wurden. Tatsächlich finden Sie je nach vorliegendem spezifischen Problem möglicherweise eines der spezialisierteren Designs, die von JMP unterstützte nominelle Antworten voraussetzen, wie z. B. Choice, Max Dif oder Covering Arrays. Aber es gibt keinen Grund, warum ein gutes altmodisches fraktionelles oder moderneres Design wie ein d-optimales Design nicht für Screening-Zwecke verwendet werden könnte oder sollte.
Willkommen in der Community. Sie haben Recht, dass eine nominelle Antwort einige besondere Herausforderungen mit sich bringt, und Petes Rat ist richtig. Eine dieser Herausforderungen besteht darin, dass die Reaktion das Ergebnis mehrerer Fehlermechanismen sein kann. Es fehlt an Unterscheidungsvermögen, um diese Mechanismen (die möglicherweise unterschiedliche kausale Strukturen haben) zu trennen.
Natürlich können Sie experimentieren, um potenzielle kausale Beziehungen zwischen den unabhängigen Variablen und den abhängigen Antwortvariablen besser zu verstehen. Dies gilt unabhängig von der Antwortvariablen. Nun, das Experimentieren mag für nominelle Antworten nicht sehr ressourceneffizient sein, aber es wird nichtsdestoweniger effektiv sein. Mein erster Ratschlag wäre, zu überlegen, wie man die "Phänomene" (Antwort) quantifizieren kann. Was bedeutet die Antwort Ja oder Bestanden? Was passieren? Als Beispiel beschreibt Dr. Box in einem seiner Aufsätze („The Scientific Context of Quality Improvement“) ein Experiment zu gerissenen Federn. Er konnte die % gut als Antwort verwenden und Möglichkeiten entdecken, die Federleistung zu verbessern. Gibt es alternative Möglichkeiten, die Phänomene zu quantifizieren? Wie vorgeschlagen, wenn Sie in der Lage sind, Abstufungen oder Kategorien von "Güte" zu erkennen, können Sie möglicherweise eine Ordinalskala verwenden. In meinen Diskussionen mit Dr. Taguchi betonte er immer, wie wichtig es sei, geeignete Antwortvariablen zu entwickeln … in vielen Fällen eine neue Antwortvariable zu erstellen, um einen Einblick in das vorliegende Problem zu geben.
Nehmen wir auf jeden Fall an, Sie haben nur die nominelle Antwort. Welche Art von Ausfallrate besteht derzeit? Wenn die Ausfallrate hoch ist (vielleicht > 10 %), sollten Sie in der Lage sein, eine Änderung dieser Rate durch Experimentieren ziemlich einfach zu erkennen. Wenn die Fehlerrate niedrig ist (<5 %), kann das Experimentieren ineffizient sein, da Sie möglicherweise große Stichprobenumfänge benötigen, um Unterschiede zu erkennen. Stellen Sie außerdem angesichts der Art der Reaktion sicher, dass der Designraum groß ist (viele potenzielle Faktoren sind fett gedruckt).
