Trop peu de DOF Partie 2Tous,
J'ai pris en compte vos suggestions précédentes de mon dernier fil sur trop peu de DOF. Comme @statman souligné, j'essayais de voir les effets de facteurs et d'interactions qui n'avaient pas assez de DOF.
Depuis, j'ai changé ma méthodologie et j'ai découvert que je devais d'abord utiliser un tableau de dépistage - un L16 dans mon cas - pour voir quels facteurs et interactions bidirectionnelles sont significatifs, puis passer à un tableau plus petit pour analyser les interactions et les facteurs à plus de niveaux (dans mon cas, 3 niveaux au lieu des 2 dans le L16).
Ma ligne de pensée pour le calcul DOF
1. Les degrés de liberté sont inhérents à la matrice elle-même, et non au nombre d'essais que vous effectuez pour un certain traitement. Par exemple, si vous avez un réseau L16 et que vous effectuez trois essais par traitement, votre DOF total est de 15 et non de 47.
2. DOF de A = 1, DOF de B = 1, DOF de C = 1, DOF de D = 1 ; DOF de AxB = 1, DOF de AxC = 1, DOF de BxC = 1, DOF de BxD = 1, DOF de AxD = 1, DOF de CxD =1 --> DOF_total = 15, DOF_sum de tous les facteurs et interactions = 10 , erreur_DOF = 5
D'après mes calculs, il semble que je devrais avoir au moins 5 degrés de liberté supplémentaires à utiliser. Cependant, lorsque j'exécute Fit Model sur ma conception expérimentale et que je regarde sous Effect Tests, je reçois toujours le message d'erreur de trop peu de DOF. Pourquoi cela arrive-t-il?
J'ai vu la suggestion de Pete dans le dernier fil de suivre le cours SAS ; J'apprécie la suggestion, mais je suis un peu pressé par le temps et je n'ai pas le temps de passer 30 heures sur un cours pour le moment. Je vais certainement me pencher sur ce cours au cours de l'été, cependant.
Ci-joint mon fichier pour votre référence.
Merci d'avance pour votre aide!
Ingénierie de la qualité et des procédésRe: Trop peu de DOF Partie 2Techniquement, avec 16 pistes et 4 facteurs, oui, vous devriez avoir suffisamment de degrés de liberté. Ci-dessous, vous avez mentionné le placement des variables dans certaines colonnes du L16, et c'est là que vous avez fait l'erreur. Il est essentiel que vous les mettiez dans les bonnes colonnes pour pouvoir estimer les interactions, et vous ne l'avez pas fait. Ainsi, l'interaction Ball Position * Drawback Position est confondue avec l'interaction Peg Height* Peg Location. Et 2 autres interactions sont également confondues. Les graphiques linéaires avec des conceptions de Taguchi vous aident à savoir quelles colonnes vous pouvez attribuer des variables pour obtenir des interactions spécifiques.
Avez-vous vu le rapport intitulé Singularity Details dans votre sortie Fit Model ? Il vous dit ce qui est confondu avec quoi. Ainsi, les 6 interactions sont confondues les unes avec les autres, vous empêchant d'estimer l'une d'entre elles.
Ces noms de variables me rappellent de nombreuses expériences de catapulte que j'ai faites il y a des années, et j'ai utilisé les méthodes de Taguchi avec elles. Mais c'était avant que j'aie eu JMP pour concevoir une meilleure expérience et faire des graphiques incroyables avec l'analyse.
Je crains que vous n'ayez besoin de collecter plus de données et de vous assurer que les colonnes ne sont pas confondues. Une façon de faire est d'utiliser une factorielle complète avec 4 facteurs et 16 exécutions.
Re: Trop peu de DOF Partie 2Les designs Taguchi ont leur place. Ils sont une application spéciale ou une méthode de DOE. Ils fonctionnent mieux lorsque les interactions sont nulles. Ils ne sont pas destinés à prendre en charge la modélisation. Ils ont été conçus pour une situation dans laquelle "choisir le gagnant" est de la plus haute importance et la personne qui choisit a besoin du critère le plus simple.
Si votre situation correspond au cas d'une expérience de dépistage (voir les principes clés ci-dessous), vous pouvez alors envisager un plan de dépistage définitif au lieu du L16.
- Rareté des effets : il existe de nombreux facteurs et de nombreux effets potentiels de ces facteurs (linéaires, non linéaires, interaction) mais seuls quelques-uns sont actifs
- Hiérarchie des effets : l'ampleur ou la contribution des effets décroît avec l'ordre du terme. Les termes de premier ordre contribuent le plus, les termes de second ordre contribuent le moins, et ainsi de suite. Les termes d'ordre trois et plus sont généralement inexistants ou négligeables, et ignorés. C'est un principe, pas une loi, mais il est souvent valable.
- Hérédité des effets : L'interaction et les effets non linéaires concernent généralement les facteurs ayant des effets de premier ordre importants. Ce principe est souvent utilisé pour guider à la fois la conception de l'expérience et l'analyse des données. C'est un principe, pas une loi, mais il est souvent valable.
- Projection : Le principe de parcimonie des effets signifie que la conception pour tous les facteurs suspectés est beaucoup plus large que ce qui est nécessaire pour collecter des données pour les effets actifs des facteurs actifs. Le processus de sélection du modèle réduira généralement le modèle complet de la conception à quelque chose de beaucoup plus petit, mais la conception n'a pas changé, il y a donc maintenant beaucoup de données, à la fois dans le nombre d'exécutions et dans le nombre de traitements. La matrice de conception « projette » dans une matrice de modèle plus petite.
Ces principes sont au cœur de toutes les méthodes de conception et d'analyse d'une expérience aux facteurs de dépistage.
Re: Trop peu de DOF Partie 2Je suis vraiment désolé, je ne sais pas quoi dire. Je pense que vous avez besoin d'une compréhension fondamentale de l'expérimentation. Certains outils et webinaires JMP en ligne pourraient être utiles. S'il vous plaît, ne prenez pas cela comme un manque de respect. Je suis sûr que vous êtes sensiblement plus versé dans votre domaine.
Vous pourriez ne pas tenir compte du commentaire suivant.
Je ne veux en aucun cas dénigrer une méthodologie et j'ai été particulièrement inspiré par le Dr Taguchi et j'ai beaucoup appris de lui. Je dirai les tableaux L et le "besoin" ultérieur de tracés d'interaction pour déterminer le crénelage ... disons simplement qu'il existe d'autres façons de créer des conceptions et un crénelage ultérieur. Cela étant dit, deux des leçons les plus importantes que Taguchi m'a enseignées étaient : 1. considérer les variables de réponse avec diligence et 2., se concentrer sur la compréhension et devenir robuste au bruit.
Je vous ai envoyé un tableau de données qui est une conception à pleine résolution pour vos 4 facteurs dans le même nombre de traitements que le L16. Il n'y a pas d'aliasing d'aucun effet. Cependant, il n'y a pas non plus de stratégie pour comprendre le bruit ou la robustesse de votre modèle.
Re: Trop peu de DOF Partie 2Salut @statman .
J'ai choisi le L16 comme tableau de dépistage, avec l'intention de voir quels principaux facteurs et interactions sont significatifs, et de tester ces facteurs et interactions dans un autre design avec tous les niveaux (3 dans le nouveau design, au lieu de deux niveaux dans le L16).
Je vois ce que vous voulez dire en termes de modèle n'alternant pas le dans la dernière colonne.
La raison pour laquelle cette conception a été choisie était d'éviter de confondre les facteurs principaux avec les interactions, selon ce tableau d'interaction, en laissant certaines colonnes "vides": https://support.minitab.com/en-us/minitab/18/help-and-how-to/modeling-statistics/doe/supporting-topics/taguchi-designs/interactions-and-interaction-tables/
Je crois comprendre que vous devez laisser des colonnes spécifiques vides pour éviter de confondre les principaux facteurs avec des interactions bidirectionnelles. Est-ce mal ? Aurais-je plutôt dû simplement copier les quatre premières colonnes comme et laisser tout le reste vide ? Si oui, comment pouvez-vous garantir qu'il n'y aura pas de confusion dans ce cas ?
Est-ce que c'est ce qui perturbe mes tests de modèle d'ajustement/d'effets, de sorte que je ne peux voir que les effets des principaux facteurs ?
Merci!
Re: Trop peu de DOF Partie 2Je dois admettre que je suis partial. Je ne sais pas pourquoi vous utilisez un L16 ? Vous avez 4 facteurs à 2 niveaux en 16 traitements... c'est un factoriel complet (2^4). Avec cette conception, les effets du modèle que vous pouvez estimer sont :
A+B+C+D+AB+AC+AD+BC+BD+CD+ABC+ABD+ACD+BCD+ABCD
Maintenant, beaucoup suggéreraient de regrouper les termes d'ordre supérieur pour estimer l'EQM.
Si vous souhaitez obtenir ce que certains appelleraient des estimations non biaisées des erreurs aléatoires sur votre espace de conception, vous devrez exécuter des répétitions.
En ce qui concerne votre conception, il y a un problème avec elle. Regardez la colonne de modèle et la dernière colonne alterne -, + mais votre colonne D ne l'est pas. Vous ne savez pas comment vous l'avez créé, mais n'exécutez pas cette conception. J'ai joint un dessin corrigé.
