너무 적은 DOF 파트 2모두,
너무 적은 DOF에 대한 지난 스레드의 이전 제안을 고려했습니다. 처럼 @statman 지적했듯이 DOF가 충분하지 않은 요소와 상호 작용의 효과를 보려고 했습니다.
그 이후로 저는 방법론을 변경했고 어떤 요인과 양방향 상호 작용이 중요한지 확인하기 위해 먼저 스크리닝 어레이(제 경우에는 L16)를 사용해야 한다는 것을 발견했습니다. 더 많은 레벨(제 경우에는 L16의 2레벨 대신 3레벨).
DOF 계산에 대한 나의 생각
1. 자유도는 어레이 자체에 내재되어 있으며 특정 치료에 대해 완료한 시행 횟수가 아닙니다. 예를 들어, L16 어레이가 있고 치료당 세 번의 시험을 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 요인과 상호 작용의 DOF_sum = 10 , DOF_오류 = 5
내 계산에 따르면 적어도 5개의 추가 자유도를 사용해야 할 것 같습니다. 그러나 내 실험 디자인에서 Fit Model을 실행하고 Effect Tests를 보면 여전히 DOF가 너무 적다는 오류 메시지가 나타납니다. 왜 이런 일이 발생합니까?
SAS 과정을 완료하라는 마지막 스레드에서 Pete의 제안을 보았습니다. 제안에 감사하지만 시간이 조금 촉박하고 현재 코스에서 30시간을 보낼 시간이 없습니다. 그러나 여름 동안 이 과정을 확실히 살펴볼 것입니다.
참조용으로 제 파일을 첨부했습니다.
당신의 도움에 미리 감사드립니다!
품질 및 프로세스 엔지니어링Re: 너무 적은 DOF 파트 2기술적으로 16개의 런과 4개의 요인이 있으면 예, 충분한 자유도가 있어야 합니다. 아래에서 L16의 특정 열에 변수를 배치한다고 언급했는데 여기서 실수를 한 것입니다. 상호 작용을 추정할 수 있도록 올바른 열에 배치하는 것이 중요하지만 그렇게 하지 않았습니다. 따라서 Ball Position * Drawback Position은 Peg Height* Pin Location 상호 작용과 혼동됩니다. 그리고 2개의 다른 상호 작용도 혼동됩니다. Taguchi 디자인이 포함된 선형 그래프는 특정 상호 작용을 얻기 위해 변수를 할당할 수 있는 열을 파악하는 데 도움이 됩니다.
Fit Model 출력에서 Singularity Details라는 보고서를 보셨습니까? 무엇이 무엇과 혼동되는지 알려주고 있습니다. 따라서 6개의 상호 작용이 모두 서로 교락되어 있어 이들 중 어느 것도 추정할 수 없습니다.
이 변수 이름은 내가 수년 전에 수행한 많은 투석기 실험을 떠올리게 하며 여기에 Taguchi 방법을 사용했습니다. 하지만 그때는 JMP를 통해 더 나은 실험을 설계하고 분석을 통해 놀라운 그래프를 작성하기 전이었습니다.
더 많은 데이터를 수집하고 열이 혼동되지 않도록 해야 합니다. 이를 수행하는 한 가지 방법은 요인이 4개이고 런이 16개인 완전 계승을 사용하는 것입니다.
Re: 너무 적은 DOF 파트 2Taguchi 디자인에는 제자리가 있습니다. 그들은 DOE의 특별한 응용 프로그램 또는 방법입니다. 상호 작용이 없을 때 가장 잘 작동합니다. 모델링을 지원하기 위한 것이 아닙니다. '승자를 뽑는 것'이 가장 중요하고 뽑는 사람이 가장 단순한 기준이 필요한 상황을 위해 고안되었습니다.
귀하의 상황이 선별 실험의 사례에 맞는 경우(아래 주요 원칙 참조) L16 대신 최종 선별 설계를 고려할 수 있습니다.
- 효과의 희소성: 많은 요인과 이러한 요인의 많은 잠재적 효과(선형, 비선형, 상호 작용)가 있지만 활성 상태인 경우는 소수에 불과합니다.
- 효과의 계층 구조: 효과의 크기 또는 기여도는 용어의 순서에 따라 감소합니다. 1차 항이 가장 많이 기여하고 2차 항이 덜 기여하는 식입니다. 순서 3 이상의 조건은 일반적으로 존재하지 않거나 무시할 수 있으며 무시됩니다. 이것은 법이 아니라 원칙이지만 종종 적용됩니다.
- 효과의 유전: 상호작용 및 비선형 효과는 일반적으로 중요한 1차 효과가 있는 요인을 포함합니다. 이 원칙은 종종 실험 설계와 데이터 분석 모두를 안내하는 데 사용됩니다. 이것은 법이 아니라 원칙이지만 종종 적용됩니다.
- 투영: 효과의 희소성 원칙은 의심되는 모든 요인에 대한 설계가 활성 요인의 활성 효과에 대한 데이터를 수집하는 데 필요한 것보다 훨씬 크다는 것을 의미합니다. 모델 선택 프로세스는 일반적으로 디자인의 전체 모델을 훨씬 더 작은 것으로 축소하지만 디자인은 변경되지 않았으므로 이제 실행 횟수와 처리 횟수 모두에서 많은 데이터가 있습니다. 디자인 매트릭스는 더 작은 모델 매트릭스로 '투영'됩니다.
이러한 원칙은 요인을 선별하기 위해 실험을 설계하고 분석하는 모든 방법의 핵심입니다.
Re: 너무 적은 DOF 파트 2정말 죄송합니다. 무슨 말을 해야 할지 모르겠습니다. 실험에 대한 근본적인 이해가 필요하다고 생각합니다. 도움이 될 수 있는 몇 가지 JMP 온라인 도구 및 웨비나가 있습니다. 이것을 무례의 표시로 받아들이지 마십시오. 나는 당신이 당신의 분야에서 훨씬 더 정통하다고 확신합니다.
다음 설명을 무시할 수 있습니다.
나는 어떤 방법론도 폄하하고 싶지 않으며 특히 다구치 박사에게서 많은 영감을 받았고 그에게서 많은 것을 배웠습니다. 앨리어싱을 결정하기 위한 상호 작용 플롯에 대한 L 어레이 및 후속 "필요"를 말할 것입니다. 디자인 및 후속 앨리어싱을 생성하는 다른 방법이 있다고 가정해 보겠습니다. 즉, 내가 Taguchi에게 배운 가장 중요한 두 가지 교훈은 다음과 같습니다. 응답 변수를 부지런히 고려하고 2. 이해에 집중하고 노이즈에 강인해집니다.
L16과 동일한 처리 횟수로 4가지 요소에 대한 전체 해상도 설계인 데이터 테이블을 보내드렸습니다. 효과의 앨리어싱이 없습니다. 그러나 모델의 노이즈 또는 견고성을 이해하기 위한 전략도 없습니다.
Re: 너무 적은 DOF 파트 2안녕 @statman .
어떤 주요 요인과 상호 작용이 중요한지 확인하고 모든 수준(L16의 2개 수준 대신 새 설계에서 3개)으로 다른 설계에서 해당 요인과 상호 작용을 테스트하려는 의도로 선별 배열로 L16을 선택했습니다.
마지막 열에서 패턴이 번갈아 나타나지 않는다는 점에서 무슨 뜻인지 알겠습니다.
이 설계를 선택한 이유는 이 상호 작용 테이블에 따라 일부 열을 "공백"으로 남겨 두어 상호 작용과 주요 요인을 혼동하지 않도록 하기 위함입니다. 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. 이것이 잘못된 것입니까? 대신 처음 4개의 열을 다음과 같이 복사하고 나머지는 모두 비워 두어야 합니까? 그렇다면 이 경우 교란이 발생하지 않는다는 것을 어떻게 보장할 수 있습니까?
주요 요인의 효과만 볼 수 있도록 적합 모델/효과 테스트를 포기하는 것입니까?
감사합니다!
Re: 너무 적은 DOF 파트 2내가 편향되어 있음을 인정해야 합니다. 왜 L16을 실행하는지 잘 모르겠습니다. 16번의 처리에서 2단계에 4개의 요인이 있습니다...완전 요인(2^4)입니다. 해당 디자인으로 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 고차 항을 풀링할 것을 제안합니다.
설계 공간에 대한 임의 오차의 편향되지 않은 추정치를 얻으려면 반복실험을 실행해야 합니다.
귀하의 디자인과 관련하여 문제가 있습니다. 패턴 열을 보면 마지막 열은 -, +가 번갈아 표시되지만 D 열은 그렇지 않습니다. 이것을 어떻게 생성했는지 확실하지 않지만 이 디자인을 실행하지 마십시오. 수정된 도안을 첨부했습니다.
