247114_de-DE

liliconcom

Analyse der Opt-DOE-Simulationsergebnisse

Lieber JMPer,

 

Derzeit analysiere ich die Ergebnisse einer Opt-DOE-Simulation. Allerdings erhalte ich bei Simulationen keine konsistenten Ergebnisse und komme auch bei der Gegenprofilanalyse zu unterschiedlichen Trends. Ich frage mich, ob eine Methode oder Analyse hilfreich sein könnte, um zu verstehen, welches Simulationsergebnis gültig ist.

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

1. Modell anpassen (Simulation 1):
   1. Geben Sie 4 Eingaben in Simulation 1 ein und wählen Sie den Oberflächenreaktionsmodus in den Makrofunktionen aus.
   2. Entfernen Sie die Interaktionsoption aus demselben Faktor, z. B. Eingabe A * Eingabe A
   3. Führen Sie die Simulation mit der standardmäßigen Methode der kleinsten Quadrate und der Effekthebelwirkung durch.
   4. Tabelle 2 zeigt Rsquare der Zusammenfassung der Anpassung und des Ausgabetrends basierend auf der Eingabe A/C (Eingabe A/C ist der Schlüsselfaktor für den Prozess).
2. Anpassen des zweistufigen Screenings (Simulation 2):
   
   1. Wählen Sie Ausgabe A aus, um ein zweistufiges Fit-Screening durchzuführen.
   2. Nutzen Sie definierte wichtige Faktoren, wie z. B. die Interaktion des Outputs und einzelne Outputs.
   3. Führen Sie die Simulation mit aus Standard-Kleinste-Quadrate- und Effekt-Hebelwirkung.
   4. Tabelle 2 zeigt den R-Quadrat der Zusammenfassung der Anpassung und des Ausgabetrends basierend auf dem Eingangs-A/C (Eingangs-A/C sind Schlüsselfaktoren für den Prozess).

Ausgabe B und Ausgabe C können den Trend auf der Grundlage höherer oder niedrigerer Eingaben (physikalisch bedingt) vorhersagen. Ausgabe A ist jedoch die wichtige Antwort, die ich gerne sehen würde, welche Simulation den Trend zeigen würde. Basierend auf Rsquare von Summary Of Fit scheint Simulation 1 schlechter zu sein als Simulation 2. Der Ausgabetrend von Simulation 2 ist für mich jedoch logischer als der von Simulation 1. Daher frage ich mich, ob jemand etwas beitragen könnte, um eine bessere Analyse für beide Simulationsergebnisse zu erhalten. Bitte teilen Sie mir Ihre Eingaben mit. Vielen Dank für Ihre Zeit und Hilfe.

 

Danke schön,

 

Beste Grüße,
Andy

 

 

Tabelle 1. DOE-Matrix

Bein#	Muster	Geben Sie A ein	Geben Sie B ein	Geben Sie C ein	Geben Sie D ein	Geben Sie E ein	Geben Sie F ein	Ausgang A	Ausgang B	Ausgabe 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

 

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	Ausgabe C	Ausgang A	Ausgang B	Ausgabe C
Eingang A hoch	Reduzieren	reduzieren	zwei Trends	Zunahme	Zunahme	reduzieren
Eingang A niedrig	Zunahme	Zunahme	zwei Trends	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 und dann das Hinzufügen der 2. Ordnung auf der Grundlage hervorragender 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 (falls Sie sich für so etwas interessieren). Entfernen Sie unbedeutende Terme (berücksichtigen Sie Rsquare vs. Rsquare-bereinigte Deltas) und führen Sie das Modell erneut aus. Achten Sie dabei besonders auf Residuen, um sicherzustellen, dass Ihr Modell die üblichen Annahmen erfüllt.  

 

Eines meiner Lieblingszitate:

„Zwei gleichermaßen kompetente Forscher, denen das gleiche Problem gestellt wird, gehen typischerweise von unterschiedlichen Ausgangspunkten aus, gehen unterschiedliche Wege und könnten dennoch zur gleichen Antwort kommen.“ „Gesucht wird nicht Einheitlichkeit, sondern Konvergenz“ (Box, Hunter Hunter „Statistik 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 Fit-Two-Level-Screening definiert wurden? "

 

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

 

Es gibt mehrere gängige Vorgehensweisen bei der Analyse eines Experiments, die auf einem fraktionierten faktoriellen Versuchsplan basieren. Man kann, wie gesagt, zwei Stufen angehen, indem man zunächst die Haupteffekte auswählt und davon ausgeht, dass die Prinzipien der Hierarchie gelten, und dann Interaktionsterme für die aktiven Faktoren hinzufügt und davon ausgeht, dass das Prinzip der Vererbung gilt. Dieser Ansatz ist oft ein erfolgreicher Weg, 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 mitteilen? Stufenweise Plattformsimulation? "

 

Sie benötigen kein Skript. Beginnen 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 der Standard-Methode der kleinsten Quadrate auf Schrittweise um.

 

Weitere Informationen finden Sie im Kapitel JMP > Bücher > Anpassen linearer Modelle > Schrittweise.

Betreff: Analyse der Opt-DOE-Simulationsergebnisse

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

Die DOE-Matrix ist für eine fraktionierte Fakultät 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 Fit-Two-Level-Screening 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 mitteilen? Stufenweise Plattformsimulation?

 

Nochmals vielen Dank für Ihre Gedanken und Beiträge.

 

Danke schön,

 

Beste Grüße,
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?

 

Stattdessen interpretiere ich Ihre Frage so, dass es darum geht Rückschritt Ergebnisse. Der zweistufige fraktionierte faktorielle Versuchsplan in 16 Läufen mit 2 Mittelpunkten und 2 ad hoc Läufe unterstützen nicht die Schätzung 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 gedacht. Sie haben ein zweistufiges Design verwendet, aber eine dritte oder vierte Ebene mit den Mittelpunkten und hinzugefügt ad hoc läuft. Diese Plattform wird Ihnen nicht unbedingt falsche Informationen liefern, aber sie wird Ihnen nicht unbedingt korrekte Informationen liefern, wenn es mehr als zwei Ebenen gibt.

 

Dennoch kann es als Erkundungstool und Ausgangspunkt für eine vollständige Regressionsanalyse nützlich sein. Ich habe es verwendet, um ein Modell für Ausgabe A mit dem linearen Prädiktor zu finden, einschließlich Eingabe E, Eingabe D, Eingabe A und Eingabe E*Eingabe E. Es wurde also eine nichtlineare Reaktion erkannt, aber die Zuordnung zu Eingabe E ist willkürlich. 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. Ausgabe C hat das komplexeste Modell. Es enthält zwei quadratische Effekte, die maximal geschätzt werden können, und die Wahl der Terme ist wiederum willkürlich. Die übliche Maßnahme in dieser Phase besteht darin, den zweistufigen Entwurf gezielt zu erweitern, um alle quadratischen Terme für eine endgültige Entscheidung zu schätzen.

 

Ein anderer Ansatz besteht darin, die Stepwise-Plattform zu verwenden und mit allen potenziellen Begriffen (Haupteffekten und Wechselwirkungen) zu beginnen, die geschätzt werden könnten. Hier wird der Vorhersageprofiler mit den für Ausgabe A und Ausgabe C gespeicherten Modellformeln gestartet und verwendet eine schrittweise Regression zur Auswahl des Modells.

 

 

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

 

Denken Sie daran, dass es bei diesem Design viele verwirrende und korrelierende Effekte gibt.Es liefert unvollständige Informationen über die Antwort. Daher könnte eine Augmentation der beste nächste Schritt sein, um die wichtigen Auswirkungen zu klären. Unabhängig davon muss das endgültige Modell, das hier oder nach der Augmentation ausgewählt wird, empirisch mit neuen, unabhängigen Durchläufen für noch nicht getestete Behandlungen überprüft werden.