Analisi dei risultati della simulazione Opt DOEGentile JMPer,
Attualmente, sto analizzando i risultati di una simulazione Opt DOE. Tuttavia, non ottengo simulazioni di moduli di risultati coerenti e ottengo anche tendenze diverse durante l'analisi del profilo del contatore. Mi chiedo se qualche metodologia o analisi possa essere utilizzata per capire quale risultato della simulazione sia valido.
Ecco il mio processo di simulazione. La matrice DOE è nella Tabella 1
- Modello fit (Simulazione 1):
- Inserisci 4 input in Simulation 1 e seleziona la modalità di risposta della superficie nelle funzioni macro.
- Rimuovi l'opzione di interazione dallo stesso fattore, ad esempio input A * input A
- Esegui la simulazione con i minimi quadrati standard e l'effetto leva.
- La tabella 2 mostra Rsquare di riepilogo dell'adattamento e della tendenza dell'output in base all'input A/C (l'input A/C è un fattore chiave per il processo)
- Misurare la schermatura a due livelli (Simulazione 2):
- Selezionare Uscita A per eseguire lo screening su due livelli.
- Utilizzare fattori importanti definiti, come l'interazione dell'output e gli output individuali.
- Esegui la simulazione con minimi quadrati standard e effetto leva.
- La tabella 2 mostra l'andamento di Rsquare of Summary Of Fit e Output in base all'Input A/C (l'Input A/C è un fattore chiave per il processo)
L'output B e l'output C sono in grado di prevedere la tendenza in base a input più elevati o input inferiori (a causa della fisica). Tuttavia, l'uscita A è la risposta importante che vorrei vedere quale simulazione mostrerebbe la tendenza. Sulla base di Rsquare of Summary Of Fit, la simulazione 1 sembra migliore della simulazione 2. Tuttavia, l'andamento dell'output della simulazione 2 è più logico per me rispetto alla simulazione 1. Pertanto, mi chiedo se qualcuno possa condividere qualche input per avere un'analisi migliore per entrambi i risultati della simulazione. Per favore, condividimi gentilmente i tuoi input. Apprezzo molto il tuo tempo e il tuo aiuto.
Grazie,
Migliori,
Andy
Tabella 1. Matrice DOE
| Gamba# | Modello | Ingresso A | Ingresso B | Ingresso C | Ingresso D | Ingresso E | Ingresso F | Uscita A | Uscita B | Uscita 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 | POR | 150 | 300 | 120 | 0 | 0 | 0 | 7,1% | 3.642 | 16 |
| 20 | POR | 150 | 300 | 120 | 0 | 0 | 0 | 8,3% | 3.093 | 15 |
Tavolo 2. Risultati della simulazione 1 e della simulazione 2.
| Analisi JMP | Simulazione 1 | Simulazione 1 | Simulazione 1 | Simulazione 2 | Simulazione 2 | Simulazione 2 |
| Matrice | Uscita A | Uscita B | Uscita C | Uscita A | Uscita B | Uscita C |
| Ingresso A alto | Ridurre | ridurre | due tendenze | aumento | Aumento | ridurre |
| Ingresso A basso | aumento | aumento | due tendenze | ridurre | Ridurre | Aumento |
| Ingresso C alto | Aumento | Aumento | ridurre | ridurre | Aumento | Ridurre |
| Ingresso C basso | ridurre | ridurre | aumento | aumento | ridurre | aumento |
Riassunto di adattamento
Rsquare | 0,96 | 0,78 | 0,84 | 0,95 | 0,59 | 0,85 |
Ri: Analisi dei risultati della simulazione Opt DOEUn approccio alternativo al metodo di costruzione del modello di Mark (iniziando con il 1° ordine e poi aggiungendo il 2° ordine basato su eccellenti principi di scarsità, gerarchia ed ereditarietà) è quello di iniziare con un modello saturo. Usa i grafici di Daniel (normale/mezza normale), i grafici di Pareto (assicurandoti che le stime abbiano un significato pratico) e i grafici di Bayes (se ti piace quel genere di cose). Rimuovi i termini insignificanti (considera Rsquare vs. Rsquare delta aggiustati) e riesegui il modello prestando particolare attenzione ai residui per assicurarti che il tuo modello soddisfi i soliti presupposti.
Una delle mie citazioni preferite:
"Due investigatori ugualmente competenti che si presentano con lo stesso problema inizierebbero tipicamente da punti di partenza diversi, procederebbero per percorsi diversi, e tuttavia potrebbero raggiungere la stessa risposta. Ciò che si cerca non è l'uniformità ma la convergenza" (Box, Hunter Hunter "Statistiche per sperimentatori").
Ri: Analisi dei risultati della simulazione Opt DOEGrazie per la correzione. Ancora una volta, apprezzo per il tuo suggerimento.Ri: Analisi dei risultati della simulazione Opt DOEHai chiesto " Sulla base della tua esperienza, la simulazione dovrebbe essere focalizzata sugli effetti principali che sono definiti da uno screening di due livelli? "
Prima di tutto, questa NON è una simulazione. È un'analisi di regressione per adattare un modello lineare.
Esistono diversi modi comuni per affrontare l'analisi di un esperimento basato su un disegno fattoriale frazionario. Puoi affrontarlo, come ho detto, utilizzando due fasi in cui prima selezioni gli effetti principali, credendo che valgano i principi della gerarchia, e poi, aggiungi termini di interazione per i fattori attivi, credendo che valga il principio dell'ereditarietà. Questo approccio è spesso un modo efficace per selezionare il modello. Questo modello, come tutti gli altri, deve essere verificato con nuove osservazioni empiriche (run aumentate).
Hai chiesto " Potresti condividermi lo script per s simulazione piattaforma tepwise? "
Non hai bisogno di uno script. Inizia la tua analisi con Fit Model come al solito. Specificare la colonna dei dati di risposta nel ruolo Y. Specificare i termini nel predittore lineare per gli effetti. Ma cambia la personalità dai minimi quadrati standard a Stepwise ..
Consultare il capitolo JMP > Libri > Adattamento di modelli lineari > Stepwise.
Ri: Analisi dei risultati della simulazione Opt DOE@Mark_Bailey Grazie mille per la tua dettagliata spiegazione. Ho riconosciuto gli input per l'attuale progettazione della matrice.
La matrice DOE è progettata per il fattoriale frazionario con alcune interazioni a 2 fattori e ho cercato di definire i fattori chiave per il processo.
Una domanda veloce. Sulla base della tua esperienza, la simulazione dovrebbe essere focalizzata sugli effetti principali che sono definiti da uno screening di due livelli? Ho notato che analizzeresti gli effetti definiti e il profilo di previsione della trama.
Inoltre, non ho mai usato la piattaforma graduale prima. Potresti condividermi lo script per s simulazione piattaforma tepwise?
Ancora una volta, grazie per i tuoi pensieri e input.
Grazie,
Migliori,
Andy
Ri: Analisi dei risultati della simulazione Opt DOEQuindi hai progettato un esperimento per una simulazione al computer? Cioè, i livelli dei fattori sono usati come valori dei parametri nella simulazione al computer?
Interpreto invece la tua domanda come circa regressione risultati. Il disegno fattoriale frazionario a due livelli in 16 corse con 2 punti centrali e 2 ad hoc run non supporta la stima del modello quadratico completo. In questo caso, non devi cercare di stimare i parametri per i termini quadratici.
La piattaforma Screening è destinata solo a fattori a due livelli. Hai usato un design a due livelli ma hai aggiunto un terzo o quarto livello con i punti centrali e ad hoc corre. Questa piattaforma non ti darà necessariamente informazioni sbagliate ma non ti darà necessariamente informazioni corrette quando ci sono più di due livelli.
Tuttavia, può essere utile come strumento di esplorazione e punto di partenza per un'analisi di regressione completa. L'ho usato per trovare un modello per Output A con il predittore lineare che include Input E, Input D, Input A e Input E*Input E. Quindi ha rilevato una risposta non lineare ma l'attribuzione a Input E è arbitraria. Si basa sul principio di ereditarietà e niente di più. Non può essere stabilito con questo esperimento. L'output B non sembra avere effetti fissi da questi fattori. L'output C ha il modello più complesso. Include due effetti quadratici, che è il massimo che può essere stimato e la scelta di quali termini è ancora arbitraria. L'azione usuale in questa fase è quella di aumentare il disegno a due livelli in modo specifico per stimare tutti i termini quadratici per una decisione finale.
Un altro approccio consiste nell'utilizzare la piattaforma Stepwise partendo da tutti i potenziali termini (principali effetti e interazioni) che potrebbero essere stimati. Ecco il profiler di previsione avviato con le formule del modello salvate per l'output A e l'output C utilizzando la regressione graduale per selezionare il modello.
Un altro approccio consiste nell'iniziare solo con gli effetti principali, rimuovere i fattori non importanti, quindi aggiungere e testare le interazioni che coinvolgono i fattori importanti. Questo approccio si basa sui principi della gerarchia e dell'ereditarietà.
Ricorda solo che ci sono molti effetti confusi e correlati che utilizzano questo design.Fornisce informazioni incomplete sulla risposta. Quindi l'aumento potrebbe essere il miglior passo successivo per chiarire gli effetti importanti. Indipendentemente da ciò, il modello finale selezionato qui o dopo l'aumento deve essere verificato empiricamente con nuove corse indipendenti per trattamenti non ancora testati.
