247114_zh-TW

liliconcom

Opt DOE仿真結果分析

親愛的 JMPer，

 

目前，我正在分析一個 Opt DOE 模擬結果。 但是，我沒有得到一致的結果形式模擬，並且在計數器配置文件分析期間也得到了不同的趨勢。 我想知道是否有任何方法或分析可以用來了解哪個模擬結果是有效的。

這是我的模擬過程。 DOE矩陣見表1

1. 擬合模型（模擬 1）：
   1. 在模擬 1 中放入 4 個輸入，並在宏功能中選擇表面響應模式。
   2. 從同一因素中刪除交互選項，例如輸入 A * 輸入 A
   3. 使用標準最小二乘法和效應槓桿運行模擬。
   4. 表 2 顯示了基於輸入 A/C 的擬合總結和輸出趨勢的 Rsquare（輸入 A/C 是過程的關鍵因素）
2. 擬合兩級篩選（模擬 2）：
   
   1. 選擇輸出 A 運行擬合兩級篩選。
   2. 使用已定義的重要因素，例如輸出的交互作用和單個輸出。
   3. 運行模擬標準最小二乘和效應槓桿。
   4. 表 2 顯示了基於輸入 A/C 的擬合摘要和輸出趨勢的 Rsquare（輸入 A/C 是過程的關鍵因素）

輸出 B 和輸出 C 能夠根據更高的輸入或更低的輸入（由於物理）預測趨勢。 但是，輸出 A 是重要的響應，我想看看什麼樣的模擬會顯示趨勢。 基於擬合摘要的 Rsquare，模擬 1 似乎比模擬 2 更糟糕。 然而，模擬 2 的輸出趨勢對我來說比模擬 1 更合乎邏輯。 因此，我想知道是否有人可以分享一些輸入，以便對兩個模擬結果進行更好的分析。 請與我分享您的意見。 非常感謝您的時間和幫助。

 

謝謝，

 

最好的，
安迪

 

 

表格1。 DOE 矩陣

腿＃	圖案	輸入 A	輸入 B	輸入 C	輸入 D	輸入 E	輸入 F	輸出 A	輸出 B	輸出 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	上門	150	300	120	0	0	0	7.1%	3,642	16
20	上門	150	300	120	0	0	0	8.3%	3,093	15

 

表 2。 模擬 1 和模擬 2 結果。

JMP分析	模擬 1	模擬 1	模擬 1	模擬 2	模擬 2	模擬 2
矩陣	輸出 A	輸出 B	輸出 C	輸出 A	輸出 B	輸出 C
輸入A高	減少	減少	兩種趨勢	增加	增加	減少
輸入A低	增加	增加	兩種趨勢	減少	減少	增加
輸入 C 高	增加	增加	減少	減少	增加	減少
輸入 C 低	減少	減少	增加	增加	減少	增加
擬合總結 方格	0.96	0.78	0.84	0.95	0.59	0.85

Re: Opt DOE 仿真結果分析

Mark 模型構建方法的另一種方法（從一階開始，然後基於稀缺性、層次結構和遺傳的優秀原則添加二階）是從飽和模型開始。 使用丹尼爾圖（正態/半正態）、帕累托圖（確保估計值具有實際意義）和貝葉斯圖（如果你喜歡那種東西）。 刪除無關緊要的項（考慮 Rsquare 與 Rsquare 調整的增量），並重新運行模型，特別注意殘差，以確保您的模型滿足通常的假設。  

 

我最喜歡的名言之一：

“面對相同問題的兩名同樣稱職的調查人員通常會從不同的起點開始，通過不同的路線進行，但可能會得出相同的答案。 追求的不是統一，而是趨同” （框，Hunter Hunter“實驗者統計”）。

Re: Opt DOE 仿真結果分析謝謝指正。 再次感謝您的建議。Re: Opt DOE 仿真結果分析

您問， ”根據您的經驗，模擬是否應該專注於由擬合兩級篩選定義的主效應？ "

 

首先，這不是模擬。 它是擬合線性模型的回歸分析。

 

有幾種常見的方法可以基於部分因子設計來進行實驗分析。 正如我所說，您可以使用兩個階段來處理它，首先選擇主效應，相信等級原則成立，然後為主動因素添加交互項，相信遺傳原則成立。 這種方法通常是選擇模型的成功方法。 與所有其他模型一樣，該模型必須通過新的經驗觀察（增強運行）進行驗證。

 

您問， ”你能分享我的腳本嗎逐步平台模擬？ "

 

您不需要腳本。 像往常一樣使用擬合模型開始分析。 在 Y 角色中指定響應數據列。 指定效應的線性預測器中的項。 但是將人格從標準最小二乘切換到逐步..

 

請參閱 JMP > 書籍 > 擬合線性模型 > 逐步章節。

Re: Opt DOE 仿真結果分析

@Mark_Bailey非常感謝您的詳細解釋。 我承認當前矩陣設計的輸入。

DOE 矩陣是為具有一些 2 因子交互作用的分數階乘而設計的，我試圖定義該過程的關鍵因素。

一個快速的問題。 根據您的經驗，模擬是否應該專注於由擬合兩級篩選定義的主效應？ 我注意到您將分析定義的效果並繪製預測配置文件。

 

另外，我以前沒有使用過逐步平台。 你能分享我的腳本嗎逐步平台模擬？

 

再次感謝您的想法和意見。

 

謝謝，

 

最好的，
安迪

Re: Opt DOE 仿真結果分析

所以你設計了一個計算機模擬實驗？ 即在計算機模擬中將因子水平作為參數值？

 

相反，我將您的問題解釋為回歸結果。 16 次試驗中的兩水平部分因子設計，具有 2 個中心點和 2 個特別指定runs 不支持估計完整的二次模型。 在這種情況下，您不得嘗試估計二次項的參數。

 

篩選平台僅適用於兩個水平的因素。 您使用了兩層設計，但添加了第三層或第四層，中心點和特別指定運行。 這個平台不一定會給你錯誤的信息，但如果有兩個以上的級別，它不一定會給你正確的信息。

 

儘管如此，它仍可用作探索工具和導致全面回歸分析的起點。 我用它來找到輸出 A 的模型，其線性預測器包括輸入 E、輸入 D、輸入 A 和輸入 E*輸入 E。因此它檢測到非線性響應，但將其歸因於輸入 E 是任意的。 它基於遺傳原理僅此而已。 這個實驗不能成立。 輸出 B 似乎沒有受到這些因素的任何固定影響。 輸出 C 具有最複雜的模型。 它包括兩個二次效應，這是可以估計的最多的，並且對哪些項的選擇也是任意的。 此階段的通常操作是專門增加兩級設計，以估計所有二次項以做出最終決定。

 

另一種方法是使用逐步平台，從可能估計的所有潛在項（主效應和交互作用）開始。 這是使用逐步回歸選擇模型的為輸出 A 和輸出 C 保存的模型公式啟動的預測分析器。

 

 

另一種方法是僅從主效應開始，刪除不重要的因素，然後添加並測試涉及重要因素的交互作用。 這種方法基於等級和遺傳原則。

 

請記住，使用這種設計會產生許多混淆和相關的影響。它提供了有關響應的不完整信息。 因此，增強可能是澄清重要影響的最佳下一步。 無論如何，此處或增強後選擇的最終模型必須通過新的、獨立的運行對尚未測試的治療進行經驗驗證。