Troppo pochi DOF Parte 2Tutti,
Ho preso in considerazione i tuoi suggerimenti precedenti dal mio ultimo thread su troppo pochi DOF. Come @statman sottolineato, stavo cercando di vedere gli effetti di fattori e interazioni che non avevano abbastanza DOF.
Da allora ho cambiato la mia metodologia e ho scoperto che dovevo prima usare un array di screening - un L16 nel mio caso - per vedere quali fattori e interazioni bidirezionali sono significativi, quindi passare a un array più piccolo per analizzare le interazioni e i fattori a più livelli (nel mio caso, 3 livelli invece dei 2 della L16).
La mia linea di pensiero per il calcolo del DOF
1. I gradi di libertà sono inerenti all'array stesso e non al numero di prove completate per un determinato trattamento. Ad esempio, se si dispone di un array L16 e si completano tre prove per trattamento, il totale DOF è 15 e non 47.
2. DOF di A = 1, DOF di B = 1, DOF di C = 1, DOF di D = 1; DOF di AxB = 1, DOF di AxC = 1, DOF di BxC = 1, DOF di BxD = 1, DOF di AxD = 1, DOF di CxD =1 --> DOF_totale = 15, DOF_somma di tutti i fattori e interazioni = 10 , errore_DOF = 5
Sulla base dei miei calcoli, sembra che dovrei avere almeno 5 gradi di libertà in più da usare. Tuttavia, quando eseguo Fit Model sul mio progetto sperimentale e guardo in Test degli effetti, ricevo ancora il messaggio di errore di troppo pochi DOF. Perché sta succedendo?
Ho visto il suggerimento di Pete nell'ultimo thread di completare il corso SAS; Apprezzo il suggerimento, ma ho poco tempo e al momento non ho il tempo di dedicare 30 ore a un corso. Tuttavia, esaminerò sicuramente questo corso durante l'estate.
In allegato è il mio file per il vostro riferimento.
Grazie in anticipo per il vostro aiuto!
DOERe: Troppo pochi DOF Parte 2Devo ammettere che sono di parte. Non sono sicuro del motivo per cui stai utilizzando un L16? Hai 4 fattori a 2 livelli in 16 trattamenti... che è un fattoriale completo (2^4). Con quel progetto gli effetti del modello che puoi stimare sono:
A+B+C+D+AB+AC+AD+BC+BD+CD+ABC+ABD+ACD+BCD+ABCD
Ora, molti suggerirebbero di raggruppare i termini di ordine superiore per stimare l'MSE.
Se vuoi ottenere quelle che alcuni chiamerebbero stime imparziali degli errori casuali nel tuo spazio di progettazione, dovrai eseguire repliche.
Per quanto riguarda il tuo design, c'è un problema con esso. Guarda la colonna del modello e l'ultima colonna è alternata a -, + ma la tua colonna D non lo è. Non sono sicuro di come l'hai creato, ma non eseguire questo progetto. Ho allegato un disegno corretto.
Re: Troppo pochi DOF Parte 2Ciao @statman .
Ho scelto L16 come array di screening, con l'intenzione di vedere quali fattori e interazioni principali sono significativi e testare tali fattori e interazioni in un altro design con tutti i livelli (3 nel nuovo design, invece di due livelli nell'L16).
Vedo cosa intendi in termini di schema non alternato nell'ultima colonna.
Il motivo per cui è stato scelto questo design è stato quello di evitare di confondere i fattori principali con le interazioni, come da questa tabella di interazione, lasciando alcune colonne "vuote": https://support.minitab.com/en-us/minitab/18/help-and-how-to/modeling-statistics/doe/supporting-topics/taguchi-designs/interactions-and-interaction-tables/
La mia comprensione è che devi lasciare vuote colonne specifiche per evitare di confondere i fattori principali con interazioni bidirezionali. È sbagliato? Avrei dovuto invece semplicemente copiare le prime quattro colonne come e lasciare tutto il resto vuoto? In tal caso, come si può garantire che non ci sarà confusione in questo caso?
È questo ciò che sta eliminando il mio Fit Model/Effect Test in modo da poter vedere solo gli effetti dei fattori principali?
Grazie!
Re: Troppo pochi DOF Parte 2Mi dispiace tanto, non so cosa dire. Penso che tu abbia bisogno di una comprensione fondamentale della sperimentazione. Ci sono alcuni strumenti online e webinar di JMP che potrebbero essere utili. Per favore, non prenderla come una dimostrazione di mancanza di rispetto. Sono sicuro che sei notevolmente più esperto nel tuo campo.
Potresti ignorare il seguente commento.
Non voglio assolutamente denigrare alcuna metodologia e sono stato particolarmente ispirato dal Dr. Taguchi e ho imparato molto da lui. Dirò gli array L e la successiva "necessità" di grafici di interazione per determinare l'aliasing ... beh, diciamo solo che ci sono altri modi per creare progetti e successivo aliasing. Detto questo, due delle lezioni più importanti che mi sono state insegnate da Taguchi sono state: 1. considerare diligentemente le variabili di risposta e 2. concentrarsi sulla comprensione e diventare robusti al rumore.
Ti ho inviato una tabella di dati che è un progetto a piena risoluzione per i tuoi 4 fattori nello stesso numero di trattamenti dell'L16. Non c'è alcun aliasing di alcun effetto. Tuttavia, non esiste nemmeno una strategia per comprendere il rumore o la robustezza del tuo modello.
Re: Troppo pochi DOF Parte 2I disegni Taguchi hanno il loro posto. Sono un'applicazione o un metodo speciale di DOE. Funzionano meglio quando le interazioni sono nulle. Non sono destinati a supportare la modellazione. Sono stati ideati per una situazione in cui "scegliere il vincitore" è della massima importanza e la persona che sceglie ha bisogno del criterio più semplice.
Se la tua situazione si adatta al caso di un esperimento di screening (vedi i principi chiave di seguito), potresti prendere in considerazione un progetto di screening definitivo invece della L16.
- Scarsità di effetti: ci sono molti fattori e molti potenziali effetti di tali fattori (lineari, non lineari, interazione) ma solo alcuni sono attivi
- Gerarchia degli effetti: l'entità o il contributo degli effetti decresce con l'ordine del termine. I termini del primo ordine contribuiscono di più, i termini del secondo ordine contribuiscono di meno e così via. I termini dell'ordine tre e superiori sono generalmente inesistenti o trascurabili e ignorati. Questo è un principio, non una legge, ma spesso vale.
- Ereditarietà degli effetti: l'interazione e gli effetti non lineari generalmente coinvolgono i fattori con importanti effetti di primo ordine. Questo principio è spesso utilizzato per guidare sia la progettazione dell'esperimento che l'analisi dei dati. Questo è un principio, non una legge, ma spesso vale.
- Proiezione: il principio della scarsità degli effetti significa che il progetto per tutti i fattori sospetti è molto più ampio di quanto necessario per raccogliere i dati per gli effetti attivi dei fattori attivi. Il processo di selezione del modello di solito riduce l'intero modello del design a qualcosa di molto più piccolo, ma il design non è cambiato, quindi ora ci sono molti dati, sia nel numero di esecuzioni che nel numero di trattamenti. La matrice di progettazione 'proietta' in una matrice modello più piccola.
Questi principi sono al centro di tutti i metodi di progettazione e analisi di un esperimento per lo screening dei fattori.
