247114_zh-CN

liliconcom

Opt DOE仿真结果分析

亲爱的 JMPer，

 

目前，我正在分析一个 Opt DOE 模拟结果。 但是，我没有得到一致的结果形式模拟，并且在计数器配置文件分析期间也得到了不同的趋势。 我想知道是否有任何方法或分析可以用来了解哪个模拟结果是有效的。

这是我的模拟过程。 DOE矩阵见表1

1. 拟合模型（模拟 1）：
   1. 在模拟 1 中放入 4 个输入，并在宏功能中选择表面响应模式。
   2. 从同一因素中删除交互选项，例如输入 A * 输入 A
   3. 使用标准最小二乘法和效应杠杆运行模拟。
   4. 表 2 显示了基于输入 A/C 的拟合总结和输出趋势的 Rsquare（输入 A/C 是过程的关键因素）
2. 拟合两级筛选（模拟 2）：
   
   1. 选择输出 A 运行拟合两级筛选。
   2. 使用已定义的重要因素，例如输出的交互作用和单个输出。
   3. 运行模拟标准最小二乘法和效应杠杆。
   4. 表 2 显示了基于输入 A/C 的拟合摘要和输出趋势的 Rsquare（输入 A/C 是过程的关键因素）

输出 B 和输出 C 能够根据更高的输入或更低的输入（由于物理）预测趋势。 但是，输出 A 是重要的响应，我想看看什么样的模拟会显示趋势。 基于拟合摘要的 Rsquare，模拟 1 似乎比模拟 2 更糟糕。 然而，模拟 2 的输出趋势对我来说比模拟 1 更合乎逻辑。 因此，我想知道是否有人可以分享一些输入，以便对两个模拟结果进行更好的分析。 请与我分享您的意见。 非常感谢您的时间和帮助。

 

谢谢，

 

最好的，
安迪

 

 

表格1。 DOE 矩阵

腿＃	图案	输入 A	输入 B	输入 C	输入 D	输入 E	输入 F	输出 A	输出 B	输出 C
1	+−−++−	300	200	100	3	25	1	0.0%	2,463	61
2	−+−+−+	200	400	100	3	15	5	0.0%	3,572	45
3	++−−++	300	400	100	1	25	5	0.0%	3,990	47
4	--------------	200	200	100	1	15	1	0.0%	3,245	31
5	+−−−−−+	300	200	100	1	15	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	15	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	15	5	0.0%	3,017	47
14	+++−−−	300	400	120	1	15	1	0.0%	3,460	31
15	−++−−+	200	400	120	1	15	5	2.8%	3,503	28
16	−−++−−	200	200	120	3	15	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	上门	150	300	120	0	0	0	7.1%	3,642	16
20	上门	150	300	120	0	0	0	8.3%	3,093	15

 

表 2。 模拟 1 和模拟 2 结果。

JMP分析	模拟 1	模拟 1	模拟 1	模拟 2	模拟 2	模拟 2
矩阵	输出 A	输出 B	输出 C	输出 A	输出 B	输出 C
输入A高	减少	减少	两种趋势	增加	增加	减少
输入A低	增加	增加	两种趋势	减少	减少	增加
输入 C 高	增加	增加	减少	减少	增加	减少
输入 C 低	减少	减少	增加	增加	减少	增加
拟合总结 方格	0.96	0.78	0.84	0.95	0.59	0.85

Re: Opt DOE 仿真结果分析

Mark 的模型构建方法的另一种方法（从一阶开始，然后基于稀缺性、层次结构和遗传的优秀原则添加二阶）是从饱和模型开始。 使用丹尼尔图（正态/半正态）、帕累托图（确保估计值具有实际意义）和贝叶斯图（如果你喜欢那种东西）。 删除无关紧要的项（考虑 Rsquare 与 Rsquare 调整的增量），并重新运行模型，特别注意残差，以确保您的模型满足通常的假设。  

 

我最喜欢的名言之一：

“面对同样的问题，两名同样称职的调查人员通常会从不同的起点开始，通过不同的路线进行，但可能会得出相同的答案。 追求的不是统一，而是趋同” （框，Hunter Hunter“实验者统计”）。

Re: Opt DOE 仿真结果分析谢谢指正。 再次感谢您的建议。Re: Opt DOE 仿真结果分析

您问， ”根据您的经验，模拟是否应该专注于由拟合两级筛选定义的主效应？ "

 

首先，这不是模拟。 它是拟合线性模型的回归分析。

 

有几种常见的方法可以基于部分因子设计来进行实验分析。 正如我所说，您可以使用两个阶段来处理它，首先选择主效应，相信等级原则成立，然后为主动因素添加交互项，相信遗传原则成立。 这种方法通常是选择模型的成功方法。 与所有其他模型一样，该模型必须通过新的经验观察（增强运行）进行验证。

 

您问， ”你能分享我的脚本吗逐步平台模拟？ "

 

您不需要脚本。 像往常一样使用拟合模型开始分析。 在 Y 角色中指定响应数据列。 指定效应的线性预测器中的项。 但是将人格从标准最小二乘切换到逐步..

 

请参阅 JMP > 书籍 > 拟合线性模型 > 逐步章节。

Re: Opt DOE 仿真结果分析

@Mark_Bailey非常感谢您的详细解释。 我承认当前矩阵设计的输入。

DOE 矩阵是为具有一些 2 因子交互作用的分数阶乘而设计的，我试图定义该过程的关键因素。

一个快速的问题。 根据您的经验，模拟是否应该专注于由拟合两级筛选定义的主效应？ 我注意到您将分析定义的效果并绘制预测配置文件。

 

另外，我以前没有使用过逐步平台。 你能分享我的脚本吗逐步平台模拟？

 

再次感谢您的想法和意见。

 

谢谢，

 

最好的，
安迪

Re: Opt DOE 仿真结果分析

所以你设计了一个计算机模拟实验？ 即在计算机模拟中将因子水平作为参数值？

 

相反，我将您的问题解释为回归结果。 16 次试验中的两水平部分因子设计，具有 2 个中心点和 2 个特别指定runs 不支持估计完整的二次模型。 在这种情况下，您不得尝试估计二次项的参数。

 

筛选平台仅适用于两个水平的因素。 您使用了两层设计，但添加了第三层或第四层，中心点和特别指定运行。 这个平台不一定会给你错误的信息，但如果有两个以上的级别，它不一定会给你正确的信息。

 

尽管如此，它仍可用作探索工具和导致全面回归分析的起点。 我用它来找到输出 A 的模型，其线性预测器包括输入 E、输入 D、输入 A 和输入 E*输入 E。因此它检测到非线性响应，但将其归因于输入 E 是任意的。 它基于遗传原理仅此而已。 这个实验不能成立。 输出 B 似乎没有受到这些因素的任何固定影响。 输出 C 具有最复杂的模型。 它包括两个二次效应，这是可以估计的最多的，并且对哪些项的选择也是任意的。 此阶段的通常操作是专门增加两级设计，以估计所有二次项以做出最终决策。

 

另一种方法是使用逐步平台，从可能估计的所有潜在项（主效应和交互作用）开始。 这是使用逐步回归选择模型的为输出 A 和输出 C 保存的模型公式启动的预测分析器。

 

 

另一种方法是仅从主效应开始，删除不重要的因素，然后添加并测试涉及重要因素的交互作用。 这种方法基于等级和遗传原则。

 

请记住，使用这种设计会产生许多混淆和相关的影响。它提供了有关响应的不完整信息。 因此，增强可能是澄清重要影响的最佳下一步。 无论如何，此处或增强后选择的最终模型必须通过新的、独立的运行对尚未测试的治疗进行经验验证。