247114_de-DE

liliconcom

Analyse der Opt-DOE-Simulationsergebnisse

Lieber JMPer,

 

Derzeit bin ich in der Analyse der Ergebnisse einer Opt DOE-Simulation. Ich erhalte jedoch keine konsistenten Ergebnisse aus Simulationen und komme auch bei der Zählerprofilanalyse auf unterschiedliche Trends. Ich frage mich, ob eine Methodik oder Analyse verwendet werden könnte, um zu verstehen, welches Simulationsergebnis gültig ist.

Hier ist mein Simulationsprozess. Die DOE-Matrix befindet sich in Tabelle 1

1. Modell anpassen (Simulation 1):
   1. Setzen Sie 4 Eingaben in Simulation 1 und wählen Sie den Oberflächenreaktionsmodus in den Makrofunktionen aus.
   2. Interaktionsoption vom gleichen Faktor entfernen, z. B. Input A * Input A
   3. Führen Sie die Simulation mit der standardmäßigen Methode der kleinsten Quadrate und Effekthebel aus.
   4. Tabelle 2 zeigt Rsquare der Zusammenfassung von Fit und Output-Trend basierend auf Input A/C (Input A/C ist Schlüsselfaktoren für den Prozess)
2. Zweistufiges Screening anpassen (Simulation 2):
   
   1. Wählen Sie Ausgang A, um das Fit-Screening auf zwei Ebenen auszuführen.
   2. Verwenden Sie definierte wichtige Faktoren, wie z. B. das Zusammenspiel von Ausgängen und einzelne Ausgänge.
   3. Führen Sie die Simulation mit aus Standard-Least-Squares- und Effect-Leverage.
   4. Tabelle 2 zeigt Rsquare der Zusammenfassung von Fit und Output-Trend basierend auf Input A/C (Input A/C ist Schlüsselfaktoren für den Prozess)

Ausgang B und Ausgang C sind in der Lage, den Trend basierend auf einem höheren oder niedrigeren Eingang (aufgrund der Physik) vorherzusagen. Ausgabe A ist jedoch die wichtige Antwort, die ich sehen möchte, welche Simulation den Trend zeigen würde. Basierend auf Rsquare von Summary Of Fit scheint Simulation 1 besser als Simulation 2 zu sein. Der Ausgabetrend von Simulation 2 ist für mich jedoch logischer als Simulation 1. Daher frage ich mich, ob jemand etwas Input geben könnte, um eine bessere Analyse für beide Simulationsergebnisse zu erhalten. Bitte teilen Sie mir Ihre Eingaben mit. Vielen Dank für Ihre Zeit und Hilfe.

 

Vielen Dank,

 

Beste,
Andy

 

 

Tabelle 1. DOE-Matrix

Bein#	Muster	Eingang A	Eingang B	Eingang C	Eingang D	Eingang E	Eingang F	Ausgang A	Ausgang B	Ausgang C
1	+−−++−	300	200	100	3	25	1	0,0 %	2.463	61
2	−+−+−+	200	400	100	3	fünfzehn	5	0,0 %	3.572	45
3	++−−++	300	400	100	1	25	5	0,0 %	3.990	47
4	−−−−−−	200	200	100	1	fünfzehn	1	0,0 %	3.245	31
5	+−−−−+	300	200	100	1	fünfzehn	5	0,0 %	3.017	34
6	−−−+++	200	200	100	3	25	5	0,0 %	3.842	76
7	−+−−+−	200	400	100	1	25	1	0,0 %	3.431	48
8	+−+−−	300	400	100	3	fünfzehn	1	0,0 %	2.409	51
9	000000	250	300	110	2	20	3	0,0 %	3.336	66
10	000000	250	300	110	2	20	3	0,0 %	2.564	66
11	−++++−	200	400	120	3	25	1	0,0 %	3.289	62
12	−−+−++	200	200	120	1	25	5	0,0 %	2.698	53
13	+−++−+	300	200	120	3	fünfzehn	5	0,0 %	3.017	47
14	+++−−−	300	400	120	1	fünfzehn	1	0,0 %	3.460	31
fünfzehn	−++−−+	200	400	120	1	fünfzehn	5	2,8 %	3.503	28
16	−−++−−	200	200	120	3	fünfzehn	1	0,0 %	2.835	42
17	+−+−+−	300	200	120	1	25	1	0,0 %	2.304	42
18	++++++	300	400	120	3	25	5	0,0 %	3.431	69
19	POR	150	300	120	0	0	0	7,1 %	3.642	16
20	POR	150	300	120	0	0	0	8,3 %	3.093	fünfzehn

 

Tabelle 2. Ergebnisse von Simulation 1 und Simulation 2.

JMP-Analyse	Simulation 1	Simulation 1	Simulation 1	Simulation 2	Simulation 2	Simulation 2
Matrix	Ausgang A	Ausgang B	Ausgang C	Ausgang A	Ausgang B	Ausgang C
Eingang A hoch	Reduzieren	reduzieren	zwei Tendenzen	Zunahme	Zunahme	reduzieren
Eingang A niedrig	Zunahme	Zunahme	zwei Tendenzen	reduzieren	Reduzieren	Zunahme
Eingang C hoch	Zunahme	Zunahme	reduzieren	reduzieren	Zunahme	Reduzieren
Eingang C niedrig	reduzieren	reduzieren	Zunahme	Zunahme	reduzieren	Zunahme
Zusammenfassung der Passform R Quadrat	0,96	0,78	0,84	0,95	0,59	0,85

Betreff: Analyse der Opt DOE-Simulationsergebnisse

Ein alternativer Ansatz zu Marks Modellbildungsmethode (beginnend mit der 1. Ordnung, dann Hinzufügen der 2. Ordnung basierend auf hervorragenden Prinzipien der Knappheit, Hierarchie und Vererbung) besteht darin, mit einem gesättigten Modell zu beginnen. Verwenden Sie Daniel-Diagramme (normal/halbnormal), Pareto-Diagramme (stellen Sie sicher, dass die Schätzungen von praktischer Bedeutung sind) und Bayes-Diagramme (wenn Sie sich für solche Dinge interessieren). Entfernen Sie unbedeutende Terme (berücksichtigen Sie die bereinigten Deltas zwischen RQuadrat und RQuadrat) und führen Sie das Modell erneut aus, wobei Sie besonders auf die Residuen achten müssen, um sicherzustellen, dass Ihr Modell die üblichen Annahmen erfüllt.  

 

Eines meiner Lieblingszitate:

„Zwei gleich kompetente Ermittler, die mit demselben Problem konfrontiert werden, würden typischerweise von unterschiedlichen Ausgangspunkten ausgehen, auf unterschiedlichen Wegen vorgehen und dennoch zur gleichen Antwort gelangen. Gesucht wird nicht Uniformität, sondern Konvergenz“ (Box, Hunter Hunter „Statistiken für Experimentatoren“).

Betreff: Analyse der Opt DOE-SimulationsergebnisseVielen Dank für die Korrektur. Nochmals vielen Dank für Ihren Vorschlag.Betreff: Analyse der Opt DOE-Simulationsergebnisse

Du hast gefragt, " Sollte sich die Simulation Ihrer Erfahrung nach auf die Haupteffekte konzentrieren, die durch das zweistufige Screening von Fit definiert wurden? "

 

Zunächst einmal ist dies KEINE Simulation. Es handelt sich um eine Regressionsanalyse zur Anpassung an ein lineares Modell.

 

Es gibt mehrere gängige Methoden, um an die Analyse eines Experiments heranzugehen, das auf einem teilfaktoriellen Versuchsplan basiert. Sie können es, wie gesagt, in zwei Stufen angehen, in denen Sie zuerst die Haupteffekte auswählen, in der Annahme, dass die Prinzipien der Hierarchie gelten, und dann Wechselwirkungsterme für die aktiven Faktoren hinzufügen, in der Annahme, dass das Prinzip der Vererbung gilt. Dieser Ansatz ist oft ein erfolgreicher Weg, um das Modell auszuwählen. Dieses Modell muss wie alle anderen durch neue empirische Beobachtungen (erweiterte Läufe) verifiziert werden.

 

Du hast gefragt, " Könnten Sie mir das Skript für s tepwise-Plattformsimulation? "

 

Sie brauchen kein Skript. Starten Sie Ihre Analyse wie gewohnt mit Fit Model. Geben Sie die Antwortdatenspalte in der Y-Rolle an. Geben Sie die Terme im linearen Prädiktor für die Effekte an. Aber stellen Sie die Persönlichkeit von Standard Least Squares auf Stepwise um.

 

Siehe JMP > Books > Fitting Linear Models > Stepwise-Kapitel.

Betreff: Analyse der Opt DOE-Simulationsergebnisse

@Mark_Bailey Vielen Dank für deine ausführliche Erklärung. Ich habe die Eingaben für das aktuelle Matrixdesign bestätigt.

Die DOE-Matrix ist für fraktionelle Fakultäten mit einigen 2-Faktor-Wechselwirkungen konzipiert, und ich habe versucht, Schlüsselfaktoren für den Prozess zu definieren.

Eine kurze Frage. Sollte sich die Simulation Ihrer Erfahrung nach auf die Haupteffekte konzentrieren, die durch das zweistufige Screening von Fit definiert wurden? Mir ist aufgefallen, dass Sie die definierten Effekte und das Plotvorhersageprofil analysieren würden.

 

Außerdem habe ich die schrittweise Plattform noch nie verwendet. Könnten Sie mir das Skript für s tepwise-Plattformsimulation?

 

Nochmals vielen Dank für Ihre Gedanken und Beiträge.

 

Vielen Dank,

 

Beste,
Andy

Betreff: Analyse der Opt DOE-Simulationsergebnisse

Sie haben also ein Experiment für eine Computersimulation entworfen? Das heißt, die Faktorstufen werden als Parameterwerte in der Computersimulation verwendet?

 

Ich interpretiere Ihre Frage stattdessen so, dass sie ungefähr lautet Rückschritt Ergebnisse. Der zweistufige teilfaktorielle Versuchsplan in 16 Läufen mit 2 Mittelpunkten und 2 ad hoc Läufe unterstützen nicht das Schätzen des vollständigen quadratischen Modells. In diesem Fall dürfen Sie nicht versuchen, die Parameter für die quadratischen Terme zu schätzen.

 

Die Screening-Plattform ist nur für zweistufige Faktoren vorgesehen. Sie haben ein Design mit zwei Ebenen verwendet, aber eine dritte oder vierte Ebene mit den Mittelpunkten und hinzugefügt ad hoc läuft. Diese Plattform gibt Ihnen nicht unbedingt falsche Informationen, aber sie gibt Ihnen nicht unbedingt korrekte Informationen, wenn es mehr als zwei Ebenen gibt.

 

Dennoch kann es als Explorationswerkzeug und Ausgangspunkt für eine vollständige Regressionsanalyse nützlich sein. Ich habe es verwendet, um ein Modell für Output A mit dem linearen Prädiktor zu finden, einschließlich Input E, Input D, Input A und Input E*Input E. Es hat also eine nichtlineare Antwort erkannt, aber es ist willkürlich, sie Input E zuzuordnen. Es basiert auf der Vererbungsprinzip und nichts weiter. Es kann mit diesem Experiment nicht festgestellt werden. Ausgang B scheint keine festen Auswirkungen dieser Faktoren zu haben. Ausgang C hat das komplexeste Modell. Es enthält zwei quadratische Effekte, die höchstens geschätzt werden können, und die Wahl der Terme ist wiederum willkürlich. Die übliche Aktion in dieser Phase besteht darin, das zweistufige Design speziell zu erweitern, um alle quadratischen Terme für eine endgültige Entscheidung zu schätzen.

 

Ein anderer Ansatz besteht darin, die Stepwise-Plattform zu verwenden, beginnend mit allen potenziellen Begriffen (Hauptwirkungen und Wechselwirkungen), die geschätzt werden könnten. Hier ist der Vorhersageprofiler, der mit den Modellformeln gestartet wurde, die für Ausgabe A und Ausgabe C gespeichert wurden, wobei die schrittweise Regression zur Auswahl des Modells verwendet wird.

 

 

Ein anderer Ansatz besteht darin, nur mit den Haupteffekten zu beginnen, die unwichtigen Faktoren zu entfernen und dann Wechselwirkungen mit den wichtigen Faktoren hinzuzufügen und zu testen. Dieser Ansatz basiert auf den Prinzipien der Hierarchie und Vererbung.

 

Denken Sie nur daran, dass es bei diesem Design viele verwechselte und korrelierte Effekte gibt.Es liefert unvollständige Informationen über die Antwort. Augmentation könnte also der beste nächste Schritt sein, um die wichtigen Effekte zu klären. Unabhängig davon muss das hier oder nach der Augmentation ausgewählte endgültige Modell mit neuen, unabhängigen Läufen für noch nicht getestete Behandlungen empirisch verifiziert werden.