Zu wenig DOF Teil 2Alles,
Ich habe Ihre vorherigen Vorschläge aus meinem letzten Thread zu zu wenigen DOFs berücksichtigt. Als @statmann wies darauf hin, dass ich versucht habe, Effekte von Faktoren und Interaktionen zu sehen, die nicht genügend DOF hatten.
Seitdem habe ich meine Methodik geändert und entdeckt, dass ich zuerst ein Screening-Array – in meinem Fall ein L16 – verwenden muss, um zu sehen, welche Faktoren und Wechselwirkungen in beide Richtungen signifikant sind, und dann zu einem kleineren Array übergehen muss, um Wechselwirkungen und Faktoren zu analysieren mehr Ebenen (in meinem Fall 3 Ebenen statt der 2 im L16).
Meine Denkweise zur Berechnung des DOF
1. Die Freiheitsgrade sind dem Array selbst inhärent und nicht die Anzahl der Versuche, die Sie für eine bestimmte Behandlung durchführen. Wenn Sie beispielsweise ein L16-Array haben und drei Versuche pro Behandlung absolvieren, beträgt Ihr DOF-Gesamtwert 15 und nicht 47.
2. DOF von A = 1, DOF von B = 1, DOF von C = 1, DOF von D = 1; DOF von AxB = 1, DOF von AxC = 1, DOF von BxC = 1, DOF von BxD = 1, DOF von AxD = 1, DOF von CxD =1 --> DOF_total = 15, DOF_sum aller Faktoren und Interaktionen = 10 , DOF_Fehler = 5
Basierend auf meinen Berechnungen scheint es, als müsste ich mindestens 5 zusätzliche Freiheitsgrade verwenden. Wenn ich jedoch Fit Model auf meinem experimentellen Design ausführe und unter Effekttests nachschaue, erhalte ich immer noch die Fehlermeldung von zu wenig DOF. Warum passiert dies?
Ich habe Petes Vorschlag im letzten Thread gesehen, den SAS-Kurs zu absolvieren; Ich weiß den Vorschlag zu schätzen, bin aber etwas unter Zeitdruck und habe im Moment nicht die Zeit, 30 Stunden für einen Kurs aufzuwenden. Ich werde mir diesen Kurs aber definitiv im Sommer anschauen.
Angehängt ist meine Datei für Ihre Referenz.
Vielen Dank im Voraus für deine Hilfe!
DAMHIRSCHKUHBetreff: Zu wenig DOF Teil 2Ich muss zugeben, dass ich voreingenommen bin. Ich bin mir nicht sicher, warum Sie einen L16 betreiben? Sie haben 4 Faktoren auf 2 Ebenen in 16 Behandlungen ... das ist eine volle Fakultät (2^4). Mit diesem Design können Sie folgende Modelleffekte abschätzen:
A+B+C+D+AB+AC+AD+BC+BD+CD+ABC+ABD+ACD+BCD+ABCD
Nun würden viele vorschlagen, dass Sie die Terme höherer Ordnung zusammenfassen, um den MSE zu schätzen.
Wenn Sie das erhalten möchten, was manche als unvoreingenommene Schätzungen der zufälligen Fehler über Ihren Designraum bezeichnen würden, müssen Sie Replikationen ausführen.
In Bezug auf Ihr Design gibt es ein Problem damit. Schauen Sie sich die Musterspalte an und die letzte Spalte wechselt abwechselnd -, +, aber Ihre D-Spalte ist es nicht. Nicht sicher, wie Sie das erstellt haben, aber führen Sie dieses Design nicht aus. Ich habe ein korrigiertes Design beigefügt.
Betreff: Zu wenig DOF Teil 2Hi @statmann .
Ich habe das L16 als Screening-Array gewählt, um zu sehen, welche Hauptfaktoren und Wechselwirkungen signifikant sind, und diese Faktoren und Wechselwirkungen in einem anderen Design mit allen Ebenen zu testen (3 im neuen Design, anstatt zwei Ebenen im L16).
Ich verstehe, was Sie in Bezug auf das Muster meinen, das nicht in der letzten Spalte wechselt.
Der Grund, warum dieses Design gewählt wurde, war, zu vermeiden, dass Hauptfaktoren mit Wechselwirkungen gemäß dieser Wechselwirkungstabelle verwechselt werden, indem einige Spalten "leer" gelassen wurden: https://support.minitab.com/en-us/minitab/18/help-and-how-to/modeling-statistics/doe/supporting-topics/taguchi-designs/interactions-and-interaction-tables/
Mein Verständnis ist, dass Sie bestimmte Spalten leer lassen müssen, um zu vermeiden, dass Hauptfaktoren mit wechselseitigen Wechselwirkungen verwechselt werden. Ist das falsch? Hätte ich stattdessen einfach die ersten vier Spalten wie unten kopieren und den Rest leer lassen sollen? Wenn ja, wie können Sie garantieren, dass es in diesem Fall zu keiner Verwechslung kommt?
Bringt das mein Anpassungsmodell/Effect-Tests durcheinander, sodass ich nur die Effekte der Hauptfaktoren sehen kann?
Danke!
Betreff: Zu wenig DOF Teil 2Es tut mir so leid, ich bin mir nicht sicher, was ich sagen soll. Ich denke, Sie brauchen ein grundlegendes Verständnis des Experimentierens. Es gibt einige JMP-Online-Tools und Webinare, die hilfreich sein könnten. Bitte verstehen Sie das nicht als Zeichen der Respektlosigkeit. Ich bin sicher, dass Sie sich in Ihrem Bereich messbar besser auskennen.
Sie können den folgenden Kommentar ignorieren.
Ich möchte auf keinen Fall irgendeine Methodik verunglimpfen und habe mich besonders von Dr. Taguchi inspirieren lassen und viel von ihm gelernt. Ich werde sagen, die L-Arrays und die anschließende "Notwendigkeit" für Interaktionsdiagramme, um das Aliasing zu bestimmen ... nun, sagen wir einfach, es gibt andere Möglichkeiten, Designs und anschließendes Aliasing zu erstellen. Zwei der wichtigsten Lektionen, die mir Taguchi beigebracht hat, waren: 1. die Antwortvariablen sorgfältig zu berücksichtigen und 2. sich darauf zu konzentrieren, zu verstehen und robust gegenüber Rauschen zu werden.
Ich habe Ihnen eine Datentabelle geschickt, die ein Design mit voller Auflösung für Ihre 4 Faktoren in der gleichen Anzahl von Behandlungen wie bei L16 ist. Es gibt keinen Aliasing-Effekt. Es gibt jedoch auch keine Strategie, um das Rauschen oder die Robustheit Ihres Modells zu verstehen.
Betreff: Zu wenig DOF Teil 2Taguchi-Designs haben ihren Platz. Sie sind eine spezielle Anwendung oder Methode von DOE. Sie funktionieren am besten, wenn es keine Interaktionen gibt. Sie sind nicht dazu gedacht, die Modellierung zu unterstützen. Sie wurden für eine Situation entwickelt, in der die „Auswahl des Gewinners“ von größter Bedeutung ist und die Person, die die Auswahl trifft, das einfachste Kriterium benötigt.
Wenn Ihre Situation in den Fall eines Screening-Experiments passt (siehe Schlüsselprinzipien unten), dann könnten Sie anstelle des L16 ein endgültiges Screening-Design in Betracht ziehen.
- Kaum Effekte: Es gibt viele Faktoren und viele potenzielle Effekte dieser Faktoren (linear, nichtlinear, Interaktion), aber nur wenige sind aktiv
- Hierarchie der Wirkungen: Die Größe oder der Beitrag der Wirkungen nimmt mit der Reihenfolge des Begriffs ab. Die Terme erster Ordnung tragen am meisten bei, die Terme zweiter Ordnung weniger und so weiter. Klauseln der Ordnung drei und höher sind im Allgemeinen nicht vorhanden oder vernachlässigbar und werden ignoriert. Dies ist ein Prinzip, kein Gesetz, aber es gilt oft.
- Vererbung von Effekten: Die Interaktions- und nichtlinearen Effekte beinhalten im Allgemeinen die Faktoren mit wichtigen Effekten erster Ordnung. Dieses Prinzip wird häufig verwendet, um sowohl das Design des Experiments als auch die Analyse der Daten zu leiten. Dies ist ein Prinzip, kein Gesetz, aber es gilt oft.
- Projektion: Das Prinzip der Sparsity of Effects bedeutet, dass das Design für alle vermuteten Faktoren viel größer ist als das, was erforderlich ist, um Daten für die aktiven Auswirkungen der aktiven Faktoren zu sammeln. Der Prozess der Modellauswahl reduziert normalerweise das vollständige Modell des Designs auf etwas, das viel kleiner ist, aber das Design hat sich nicht geändert, daher gibt es jetzt viele Daten, sowohl in Bezug auf die Anzahl der Durchläufe als auch in Bezug auf die Anzahl der Behandlungen. Die Designmatrix 'projiziert' in eine kleinere Modellmatrix.
Diese Prinzipien stehen im Mittelpunkt aller Methoden zum Entwerfen und Analysieren eines Experiments zum Screening von Faktoren.
