DOF가 너무 적음 2부모두,
너무 적은 DOF에 대한 지난 스레드의 이전 제안을 고려했습니다. 처럼 @statman DOF가 충분하지 않은 요인과 상호 작용의 영향을 보려고 했습니다.
그 이후로 방법론을 변경하고 어떤 요인과 양방향 상호 작용이 중요한지 확인하기 위해 선별 배열(제 경우에는 L16)을 먼저 사용하고 다음에서 상호 작용과 요인을 분석하기 위해 더 작은 배열로 이동해야 한다는 것을 발견했습니다. 더 많은 레벨(제 경우에는 L16의 2개 대신 3개 레벨).
DOF 계산에 대한 나의 생각
1. 자유도는 어레이 자체에 고유한 것이며 특정 치료에 대해 완료한 시도 횟수가 아닙니다. 예를 들어, L16 어레이가 있고 치료당 3회의 시도를 완료한 경우 DOF 총계는 47이 아니라 15입니다.
2. A의 DOF = 1, B의 DOF = 1, C의 DOF = 1, D의 DOF = 1; AxB의 DOF = 1, AxC의 DOF = 1, BxC의 DOF = 1, BxD의 DOF = 1, AxD의 DOF = 1, CxD의 DOF = 1 --> DOF_total = 15, 모든 요인 및 상호 작용의 DOF_sum = 10 , DOF_오류 = 5
내 계산에 따르면 최소한 5개의 추가 자유도를 사용해야 하는 것 같습니다. 그러나 실험 설계에서 모델 맞춤을 실행하고 효과 테스트를 보면 여전히 DOF가 너무 적다는 오류 메시지가 나타납니다. 왜 이런 일이 발생합니까?
SAS 과정을 완료하기 위해 마지막 스레드에서 Pete의 제안을 보았습니다. 그 제안에 감사하지만 시간이 조금 촉박하고 현재 코스에서 30시간을 보낼 시간이 없습니다. 그러나 나는 여름 동안 이 과정을 확실히 살펴볼 것입니다.
참고용으로 제 파일을 첨부합니다.
당신의 도움에 미리 감사드립니다!
암사슴Re: DOF가 너무 적음 2부내가 편견이 있다는 것을 인정해야 합니다. 왜 L16을 실행하는지 잘 모르겠습니다. 16개의 처리에서 2개의 수준에 4개의 요인이 있습니다...즉 완전 요인(2^4)입니다. 해당 설계를 통해 추정할 수 있는 모델 효과는 다음과 같습니다.
A+B+C+D+AB+AC+AD+BC+BD+CD+ABC+ABD+ACD+BCD+ABCD
이제 많은 사람들이 MSE를 추정하기 위해 더 높은 차수의 항을 풀링할 것을 제안합니다.
설계 공간에 대한 무작위 오차의 편향되지 않은 추정값을 얻으려면 반복실험을 실행해야 합니다.
귀하의 디자인과 관련하여 문제가 있습니다. 패턴 열을 보면 마지막 열이 교대로 -, +이지만 D 열은 그렇지 않습니다. 이것을 어떻게 만들었는지 확실하지 않지만 이 디자인을 실행하지 마십시오. 수정된 도안을 첨부합니다.
Re: DOF가 너무 적음 2부안녕 @statman .
어떤 주요 요인과 상호 작용이 중요한지 확인하고 모든 수준(L16의 2개 수준 대신 새 설계의 3개)을 사용하여 다른 설계에서 이러한 요인과 상호 작용을 테스트하려는 의도로 L16을 선별 배열로 선택했습니다.
마지막 열에서 패턴이 바뀌지 않는다는 점에서 당신이 의미하는 바를 알 수 있습니다.
이 디자인을 선택한 이유는 이 상호 작용 표에 따라 일부 열을 "비어 있음"으로 남겨 두어 주요 요인과 상호 작용을 혼동하는 것을 방지하기 위한 것입니다. https://support.minitab.com/en-us/minitab/18/help-and-how-to/modeling-statistics/doe/supporting-topics/taguchi-designs/interactions-and-interaction-tables/
내 이해는 양방향 상호 작용으로 주요 요인을 혼동하지 않도록 특정 열을 비워 두어야 한다는 것입니다. 이게 잘못된 건가요? 대신 처음 4개의 열을 그대로 복사하고 나머지는 모두 비워 두어야 합니까? 그렇다면 이 경우에 혼란이 없을 것이라고 어떻게 보장할 수 있습니까?
이것이 내가 주요 요인의 효과만 볼 수 있도록 내 적합 모델/효과 테스트를 버리는 것입니까?
고맙습니다!
Re: DOF가 너무 적음 2부정말 죄송합니다. 무슨 말을 해야 할지 잘 모르겠습니다. 실험에 대한 기본적인 이해가 필요하다고 생각합니다. 도움이 될 수 있는 몇 가지 JMP 온라인 도구와 웨비나가 있습니다. 무례한 행동으로 받아들이지 마시기 바랍니다. 나는 당신이 당신의 분야에서 훨씬 더 정통하다고 확신합니다.
다음 주석을 무시할 수 있습니다.
나는 어떤 방법론도 폄하하고 싶지 않으며 특히 Taguchi 박사에게 영감을 받았고 그에게서 많은 것을 배웠습니다. 나는 L 배열과 앨리어싱을 결정하기 위한 상호작용 플롯에 대한 후속 "필요"라고 말할 것입니다...글쎄요, 설계 및 후속 앨리어싱을 생성하는 다른 방법이 있다고 가정해 보겠습니다. 즉, Taguchi가 가르친 가장 중요한 두 가지 교훈은 1입니다. 응답 변수를 부지런히 고려하고 2. 이해에 집중하고 소음에 강해집니다.
L16과 동일한 처리 횟수에서 4가지 요인에 대한 전체 해상도 설계인 데이터 표를 보냈습니다. 어떤 효과의 앨리어싱도 없습니다. 그러나 모델의 노이즈 또는 견고성을 이해하기 위한 전략도 없습니다.
Re: DOF가 너무 적음 2부Taguchi 디자인은 그 자리를 가지고 있습니다. DOE의 특별한 응용 프로그램 또는 방법입니다. 상호 작용이 없을 때 가장 잘 작동합니다. 모델링을 지원하기 위한 것이 아닙니다. '승자 뽑기'가 가장 중요하고 픽하는 사람도 가장 간단한 기준이 필요한 상황을 위해 고안되었습니다.
상황이 선별 실험의 경우(아래 주요 원칙 참조)에 맞는 경우 L16 대신 최종 선별 설계를 고려할 수 있습니다.
- 효과의 희소성: 많은 요인과 이러한 요인의 잠재적 효과(선형, 비선형, 상호 작용)가 많지만 활성 상태는 소수에 불과합니다.
- 효과의 계층 구조: 효과의 크기 또는 기여도는 항의 순서에 따라 감소합니다. 1차 항이 가장 많이 기여하고, 2차 항이 덜 기여하는 식입니다. 3차 이상의 조건은 일반적으로 존재하지 않거나 무시할 수 있으며 무시됩니다. 이것은 법칙이 아니라 원칙이지만 종종 적용됩니다.
- 효과의 유전: 상호작용 및 비선형 효과는 일반적으로 중요한 1차 효과를 갖는 요인을 포함합니다. 이 원칙은 종종 실험 설계와 데이터 분석을 안내하는 데 사용됩니다. 이것은 법칙이 아니라 원칙이지만 종종 적용됩니다.
- 투영: 효과 희소성의 원칙은 의심되는 모든 요인에 대한 설계가 활성 요인의 활성 효과에 대한 데이터를 수집하는 데 필요한 것보다 훨씬 크다는 것을 의미합니다. 모델 선택 프로세스는 일반적으로 설계의 전체 모델을 훨씬 더 작은 것으로 축소하지만 설계는 변경되지 않았으므로 이제 런 수와 처리 수 모두에서 많은 데이터가 있습니다. 디자인 매트릭스는 더 작은 모델 매트릭스로 '투영'됩니다.
이러한 원칙은 요소를 선별하기 위해 실험을 설계하고 분석하는 모든 방법의 핵심입니다.
