Faktor-Screening Versuchsplanung mit nominaler Reaktion?Hallo zusammen,
Ich habe mich gefragt, ob es eine gute Strategie für die Gestaltung einer Reihe von Experimenten gibt, um die Faktoren mit dem größten Einfluss auf die Reaktion zu finden, die nominell ist (Ja/Nein, Art der Reaktion „bestanden/nicht bestanden“), statt der typischen kontinuierlichen Reaktion? Während für die nominale Antwort eine logistische Regression anhand der verfügbaren Daten durchgeführt werden kann, bezweifle ich, dass das übliche faktorielle/fraktionelle faktorielle Design in diesem Fall noch funktioniert (da sie für eine kontinuierliche Antwort gedacht sind). Was wäre in diesem Fall ein geeigneter Ansatz? Bitte weisen Sie mich auf relevante Begriffe/Theorien hin, wenn Ihnen etwas einfällt.
Dank im Voraus.
VersuchsplanungBetreff: Faktor-Screening-Versuchsdesign mit nominaler Reaktion?Willkommen in der Community. Sie haben Recht, dass eine nominale 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 mangelt an Unterscheidungskraft, um diese Mechanismen (die möglicherweise unterschiedliche kausale Strukturen haben) zu trennen.
Natürlich können Sie Experimente nutzen, um mögliche kausale Zusammenhänge zwischen den unabhängigen Variablen und der/den abhängigen Antwortvariablen besser zu verstehen. Dies gilt unabhängig von der Antwortvariablen. Nun mag das Experimentieren für nominale Antworten nicht sehr ressourceneffizient sein, aber es wird dennoch effektiv sein. Mein erster Rat wäre, darüber nachzudenken, wie man die „Phänomene“ (Reaktion) quantifiziert. Was bedeutet die Antwort „Ja“ oder „Bestanden“? Was passieren? Als Beispiel beschreibt Dr. Box in einer seiner Arbeiten („The Scientific Context of Quality Improvement“) ein Experiment mit gerissenen Federn. Er konnte den Prozentsatz „gut“ als Reaktion nutzen und Möglichkeiten zur Verbesserung der Federleistung entdecken. 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 Gesprächen mit Dr. Taguchi betonte er immer, wie wichtig es ist, geeignete Antwortvariablen zu entwickeln ... in vielen Fällen wird eine neue Antwortvariable erstellt, um Einblicke in das vorliegende Problem zu erhalten.
Nehmen wir auf jeden Fall an, dass Sie nur die nominale Antwort haben. Welche Ausfallquote gibt es aktuell? Wenn die Ausfallrate hoch ist (vielleicht > 10 %), sollten Sie eine Änderung dieser Rate relativ einfach durch Experimente feststellen können. Wenn die Fehlerquote niedrig ist (<5 %), könnten die Experimente ineffizient sein, da Sie möglicherweise große Stichprobengrößen benötigen, um Unterschiede zu erkennen. Stellen Sie außerdem angesichts der Art der Reaktion sicher, dass der Gestaltungsspielraum groß ist (viele potenzielle Faktoren sind fett dargestellt).
Betreff: Faktor-Screening-Versuchsdesign mit nominaler Reaktion?Es gibt absolut keinen apriorischen Grund, warum eine nominelle Reaktion die sinnvolle Praxis des experimentellen Designs ausschließt oder als einen unsicheren Weg zur Entdeckung darstellt. Alle Prinzipien solider DOE-Methoden gelten weiterhin. Als leitender Systemingenieur bei JMP (inzwischen im Ruhestand) habe ich zahlreiche Konsumgüterunternehmen kontaktiert, die DOE als Lebenselixier ihrer Produktdesignbemühungen nutzen. Branchen und Marktsegmente sind so vielfältig wie Süßigkeiten/Süßigkeiten, Körperpflege/Hygiene/Kosmetik bis hin zu Lebensmittelzusatzstoffen/Gewürzen. Sehr oft verwendeten sie sensorische Gremien von Produktbewertern, und fast durchweg lieferten die Personen, die in diesen Gremien sitzen, nominelle Reaktionsdaten für die spezifischen experimentellen Designs, die ausgeführt wurden. Abhängig vom konkreten Problem finden Sie möglicherweise sogar eines der spezielleren Designs, die von JMP unterstützte nominale Antworten wie Choice, Max Dif oder Covering Arrays voraussetzen. Aber es gibt keinen Grund, warum ein guter, altmodischer 2-stufiger fraktionalfaktorieller Versuchsplan oder ein modernerer Versuchsplan wie ein D-optimaler Versuchsplan nicht für Screeningzwecke verwendet werden könnte oder sollte.
