Zu wenige DOF Teil 2Alle,
Ich habe Ihre vorherigen Vorschläge aus meinem letzten Thread zu zu wenigen DOFs berücksichtigt. Als @statman Ich habe darauf hingewiesen, dass ich versucht habe, die Auswirkungen von Faktoren und Wechselwirkungen zu erkennen, die nicht genügend DOF hatten.
Seitdem habe ich meine Methodik geändert und festgestellt, dass ich zunächst ein Screening-Array – in meinem Fall ein L16 – verwenden muss, um zu sehen, welche Faktoren und Wechselwirkungen in beide Richtungen von Bedeutung sind, und dann zu einem kleineren Array übergehen muss, um die Interaktionen 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 hängen vom Array selbst ab und nicht von der Anzahl der Versuche, die Sie für eine bestimmte Behandlung durchführen. Wenn Sie beispielsweise über ein L16-Array verfügen und drei Versuche pro Behandlung durchführen, 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_error = 5
Basierend auf meinen Berechnungen sollte ich mindestens fünf zusätzliche Freiheitsgrade nutzen können. Wenn ich jedoch „Modell anpassen“ für meinen experimentellen Entwurf ausführe und unter „Effekttests“ nachschaue, erhalte ich immer noch die Fehlermeldung, dass zu wenig DOF vorhanden ist. Warum passiert das?
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 an einem Kurs teilzunehmen. Ich werde diesen Kurs jedoch auf jeden Fall im Sommer in Betracht ziehen.
Im Anhang finden Sie meine Datei als Referenz.
Vielen Dank im Voraus für Ihre Hilfe!
Qualitäts- und VerfahrenstechnikBetreff: Zu wenige DOF Teil 2Technisch gesehen sollten Sie mit 16 Läufen und 4 Faktoren ja über genügend Freiheitsgrade verfügen. Unten haben Sie erwähnt, dass Sie die Variablen in bestimmten Spalten des L16 platzieren, und da haben Sie den Fehler gemacht. Es ist wichtig, dass Sie sie in die richtigen Spalten einfügen, um die Interaktionen abschätzen zu können, und das haben Sie nicht getan. Die Ballposition * Rückzugsposition wird also mit der Interaktion Stifthöhe * Stiftposition verwechselt. Und zwei weitere Interaktionen sind ebenfalls verwirrend. Mithilfe der linearen Diagramme mit Taguchi-Designs wissen Sie, welchen Spalten Sie Variablen zuweisen können, um bestimmte Interaktionen zu erhalten.
Haben Sie den Bericht „Singularity Details“ in Ihrer Fit Model-Ausgabe gesehen? Es sagt Ihnen, was womit verwechselt wird. Alle sechs Interaktionen sind also miteinander verwechselt, sodass Sie keine davon abschätzen können.
Diese Variablennamen erinnern mich an viele Katapultexperimente, die ich vor Jahren durchgeführt habe und bei denen ich Taguchi-Methoden verwendet habe. Aber das war, bevor ich JMP hatte, um ein besseres Experiment zu entwerfen und mit der Analyse erstaunliche Diagramme zu erstellen.
Ich fürchte, Sie müssen mehr Daten sammeln und sicherstellen, dass die Spalten nicht verwechselt werden. Eine Möglichkeit, dies zu erreichen, besteht darin, eine vollständige Fakultät mit 4 Faktoren und 16 Läufen zu verwenden.
Betreff: Zu wenige DOF Teil 2Taguchi-Designs haben ihre Berechtigung. Sie sind eine spezielle Anwendung oder Methode der DOE. Sie funktionieren am besten, wenn die Interaktionen gleich Null sind. Sie sind nicht zur Unterstützung der Modellierung gedacht. 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 auf den Fall eines Screening-Experiments zutrifft (siehe Schlüsselprinzipien unten), dann könnten Sie anstelle des L16 ein definitives Screening-Design in Betracht ziehen.
- Geringe Auswirkungen: Es gibt viele Faktoren und viele potenzielle Auswirkungen dieser Faktoren (linear, nichtlinear, Interaktion), aber nur wenige sind aktiv
- Hierarchie der Effekte: Die Größe oder der Beitrag der Effekte nimmt mit der Reihenfolge des Begriffs ab. Die Terme erster Ordnung tragen am meisten bei, die Terme zweiter Ordnung tragen weniger bei und so weiter. Bedingungen 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: An der Wechselwirkung und den nichtlinearen Effekten sind im Allgemeinen die Faktoren beteiligt, die wichtige Effekte erster Ordnung haben. Dieses Prinzip wird häufig als Leitfaden sowohl für die Gestaltung des Experiments als auch für die Analyse der Daten verwendet. 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 zum Sammeln von Daten für die aktiven Auswirkungen der aktiven Faktoren erforderlich ist. Bei der Modellauswahl wird das Gesamtmodell des Entwurfs normalerweise auf etwas reduziert, das viel kleiner ist. Der Entwurf hat sich jedoch nicht geändert, sodass jetzt zahlreiche Daten vorliegen, sowohl zur Anzahl der Durchläufe als auch zur Anzahl der Behandlungen. Die Entwurfsmatrix „projiziert“ in eine kleinere Modellmatrix.
Diese Prinzipien sind das Herzstück aller Methoden zum Entwerfen und Analysieren eines Experiments zum Screening von Faktoren.
Betreff: Zu wenige DOF Teil 2Es tut mir so leid, ich weiß nicht, 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 betrachten Sie dies nicht als Zeichen der Respektlosigkeit. Ich bin mir sicher, dass Sie sich in Ihrem Fachgebiet 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 nenne die L-Arrays und die daraus resultierende „Notwendigkeit“ von Interaktionsdiagrammen, um das Aliasing zu bestimmen ... sagen wir einfach, es gibt andere Möglichkeiten, Designs und anschließendes Aliasing zu erstellen. Abgesehen davon waren zwei der wichtigsten Lektionen, die mir Taguchi beigebracht hat: 1. die Antwortvariablen sorgfältig zu berücksichtigen und 2. sich auf das Verständnis und die Robustheit gegenüber Rauschen zu konzentrieren.
Ich habe Ihnen eine Datentabelle geschickt, die ein vollständiges Auflösungsdesign für Ihre 4 Faktoren bei der gleichen Anzahl von Behandlungen wie beim L16 darstellt. Es gibt kein Aliasing jeglicher Wirkung. Allerdings gibt es auch keine Strategie, um das Rauschen oder die Robustheit Ihres Modells zu verstehen.
Betreff: Zu wenige DOF Teil 2Hallo @statman .
Ich habe den L16 als Screening-Array gewählt, mit der Absicht herauszufinden, welche Hauptfaktoren und Wechselwirkungen von Bedeutung sind, und diese Faktoren und Wechselwirkungen in einem anderen Design mit allen Ebenen zu testen (3 im neuen Design, statt zwei Ebenen im L16).
Ich verstehe, was Sie damit meinen, dass sich das Muster in der letzten Spalte nicht abwechselt.
Der Grund für die Wahl dieses Designs bestand darin, eine Verwechslung von Hauptfaktoren mit Interaktionen gemäß dieser Interaktionstabelle zu vermeiden, 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/
Meines Wissens nach müssen Sie bestimmte Spalten leer lassen, um eine Verwechslung von Hauptfaktoren mit wechselseitigen Interaktionen zu vermeiden. Ist das falsch? Hätte ich stattdessen einfach die ersten vier Spalten kopieren und den Rest leer lassen sollen? Wenn ja, wie können Sie garantieren, dass es in diesem Fall keine Verwechslungen gibt?
Ist das der Grund dafür, dass meine Fit Model/Effect-Tests durcheinander geraten, sodass ich nur die Auswirkungen der Hauptfaktoren sehen kann?
Danke schön!
Betreff: Zu wenige DOF Teil 2Ich muss zugeben, dass ich voreingenommen bin. Ich bin mir nicht sicher, warum Sie einen L16 verwenden? Sie haben 4 Faktoren auf 2 Ebenen in 16 Behandlungen ... das ist eine vollständige Fakultät (2^4). Mit diesem Entwurf 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 in Ihrem Designbereich bezeichnen würden, müssen Sie Replikate ausführen.
Was Ihr Design betrifft, gibt es ein Problem damit. Schauen Sie sich die Musterspalte an und die letzte Spalte ist abwechselnd -, +, Ihre D-Spalte jedoch nicht. Ich bin mir nicht sicher, wie Sie das erstellt haben, aber führen Sie dieses Design nicht aus. Ich habe einen korrigierten Entwurf angehängt.
