Lösung in RS (D-optimal)Hallo zusammen,
Ich habe mein erstes RS-Design erfolgreich ausgeführt, aber ich habe Mühe, die Lösung zu verstehen, die nach dem Anpassen des Modells bereitgestellt wird. Mein Design beinhaltet 5 stetige Faktoren mit 4 Achsenpunkten und 2 Mittelpunkten. Ich habe 1 repliziert und das Modell angepasst. Es gibt keinen wesentlichen Mangel an Passform.
Das Ziel ist es, die Reaktion zu minimieren und aber die Lösung ist höher als alle meine gemessenen Werte. Ich habe eine Bereichsprüfung für meine Faktoren eingefügt, aber für die Lösung sind 3 der 5 Faktoren negativ, was in der Realität unmöglich ist. Wie komme ich zu einer Lösung, die nur positive Faktoren berücksichtigt?
Vielen Dank!
Mit freundlichen Grüßen,
FaktorAlligator
DAMHIRSCHKUHBetreff: Lösung in RS (D-optimal)Ich bin mir nicht ganz sicher, was Sie sehen oder fragen. Es ist für ein Modell unmöglich, immer Werte vorherzusagen, die höher sind als alle Ihre Daten. Was meinst du mit einem positiven Faktor? Sind Ihre Faktoren zwischen -1 und +1 codiert oder haben Sie sie in ihren natürlichen Einheiten belassen? Wäre es möglich, dass Sie Ihre JMP-Datentabelle freigeben? Sie könnten die Daten ggf. anonymisieren.
Betreff: Lösung in RS (D-optimal)Ich stimme Dan zu. Sie haben nicht genügend Informationen für eine Antwort auf Ihre Anfrage bereitgestellt. Haben Sie bei Ihrer Analyse die Oberfläche betrachtet?
Modelle können leicht über vernünftige Bedingungen hinaus extrapoliert werden (sie sind einfach ein Modell der Daten). Sie müssen das Modell interpretieren.
Betreff: Lösung in RS (D-optimal)Danke für Ihre Antwort. Die Datentabelle ist beigefügt. In der Zwischenzeit habe ich zwei Ausreißer erneut analysiert und dadurch das Problem mit negativen Werten gelöst. Damit meinte ich, dass mein Faktor zwischen -1 und +1 codiert ist und in Wirklichkeit auf -2,5 sinken kann (zu diesem Zeitpunkt ist die Konzentration des Faktors 0), aber meine Lösung war bei -3, was nicht sein kann. Mich würde immer noch interessieren, wie mit diesem Fall umgegangen wird, wenn es wieder vorkommt.
Wie Sie an meinem Modell sehen können, ergeben die besten Werte innerhalb des Designbereichs eine minimale Y-Antwort von 162. Die niedrigste Antwort erhielt ich im Muster 00A00 bei 213. Aber die berechnete Lösung liegt bei Y=296. Wenn mein Ziel darin besteht, die Antwort zu minimieren, würde ich eine Grenzlösung des Designraums erwarten (wie wenn ich die Erwünschtheit maximiere).
@statmann Vielen Dank auch für Ihre Antwort. Ich habe die Fläche auch in der Modellansicht überprüft, aber leider kann ich damit nichts anfangen, da einige Flächen ein Maximum und andere ein Minimum aufweisen.
Betreff: Lösung in RS (D-optimal)Ich habe das Modell ausgeführt, das Sie in der Datentabelle gespeichert hatten. Das Modell braucht Arbeit. Die Residuen deuten auf eine nicht konstante Varianz hin, und Sie haben unbedeutende Terme im Modell. Die statistische Signifikanz scheint auf den Replikationen des Mittelpunkts und quadratischen Wechselwirkungen höherer Ordnung zu beruhen. Ich bin mir nicht sicher, was Sie mit Ihrem Kommentar zu Antwortoberflächen meinen. Sie sollten ungefähr Folgendes erhalten (obwohl dies Ihr Modell verwendet):
Betreff: Lösung in RS (D-optimal)Danke für deinen Beitrag. Ich versuche, Ihre Vorschläge zu verstehen, und hoffe, Sie könnten mir weitere Rückmeldungen zu meinen Gedanken geben.
Die Residuen deuten auf eine nicht konstante Varianz hin und Sie haben unbedeutende Terme im Modell.
Sagen Sie, dass aufgrund des „Residual by Predicted Plot“, das eine Abnahme des Y-Residuums zeigt, das höhere Y Predicted ist? Verstehe ich richtig, dass ich das Modell reduzieren sollte, indem ich alle unbedeutenden Terme entferne? Wenn ja, wie würde ich Haupteffekte behandeln, die wie Faktor X1 unbedeutend sind, während die 2-Wege-Wechselwirkung X1 * X5 signifikant ist?
Die statistische Signifikanz scheint auf den Replikaten des Mittelpunkts und quadratischen Wechselwirkungen höherer Ordnung zu beruhen (Ihr Fehler basiert nicht auf randomisierten Replikaten).
Ist dies in der "Varianzanalyse" zu sehen, wo der Großteil meiner Varianz aus dem Modell stammt und nur ein kleiner Teil aus zufälligen Fehlern? Ich dachte, es wäre wünschenswert, einen kleinen unerklärlichen Fehler zu haben.
