247114_zh-CN

liliconcom

Opt DOE模拟结果分析

亲爱的 JMPer，

 

目前，我正在分析 Opt DOE 模拟结果。 然而，我没有从模拟中得到一致的结果，并且在计数器轮廓分析过程中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矩阵如表1所示

1. 拟合模型（模拟1）：
   1. 在模拟 1 中输入 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 的拟合和输出趋势的 Rsquare（输入 A/C 是该过程的关键因素）
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. 使用定义的重要因素，例如输出的交互和单独的输出。
   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 的拟合和输出趋势汇总的 R 方（输入 A/C 是该过程的关键因素）

输出 B 和输出 C 能够根据较高输入或较低输入（由于物理原因）来预测趋势。 然而，输出 A 是一个重要的响应，我想看看什么模拟会显示趋势。 根据拟合摘要的 Rsquare，模拟 1 似乎比模拟 2 更好。 然而，对我来说，模拟 2 的输出趋势比模拟 1 更符合逻辑。 因此，我想知道是否有人可以分享一些输入，以便对这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。

 

谢谢你，

 

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 人	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 人	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 人	28
16	---++--	200	200	120	3	15	1	0.0%	2,835	42
17 号	+−+−+−	300	200	120	1	25	1	0.0%	2,304	42
18	++++++	300	400	120	3	25	5	0.0%	3,431	69
19	上电复位	150	300	120	0	0	0	7.1%	3,642	16
20	上电复位	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 高电平	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 R平方	0.96	0.78	0.84	0.95	0.59	0.85

Re: Opt DOE模拟结果分析

马克模型构建方法的另一种方法（从一阶开始，然后根据稀缺性、层次结构和遗传性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（如果您喜欢这类事情）。 删除无关紧要的项（考虑 Rsquare 与 Rsquare 调整后的增量），然后重新运行模型，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：

“两个同样有能力的调查员遇到同样的问题通常会从不同的起点开始，采取不同的路线，但可能会得出相同的答案。 追求的不是统一而是趋同” （框，亨特亨特“实验者统计”）。

Re: Opt DOE模拟结果分析谢谢您的指正。 再次感谢您的建议。Re: Opt DOE模拟结果分析

你问， ”根据您的经验，模拟是否应该关注通过拟合二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对基于部分因子设计的实验进行分析。 正如我所说，您可以使用两个阶段来处理它，首先选择主要效应，相信等级原理成立，然后为活跃因素添加相互作用项，相信遗传原理成立。 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。

 

你问， ”你能分享一下 s 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。 指定 Y 角色中的响应数据列。 指定效应的线性预测变量中的项。 但将个性从标准最小二乘法切换为逐步法..

 

请参阅 JMP > 书籍 > 拟合线性模型 > 逐步章节。

Re: Opt DOE模拟结果分析

@马克贝利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 因子相互作用的分数阶乘而设计的，我尝试定义该过程的关键因素。

一个简单的问题。 根据您的经验，模拟是否应该关注通过拟合二级筛选定义的主效应？ 我注意到您会分析定义的效果并绘制预测曲线。

 

另外，我以前没有使用过阶梯平台。 你能分享一下 s 的脚本吗逐步平台模拟？

 

再次感谢您的想法和意见。

 

谢谢你，

 

最好的，
安迪

Re: Opt DOE模拟结果分析

所以你设计了一个计算机模拟实验？ 即在计算机模拟中使用因子水平作为参数值？

 

相反，我将你的问题解释为回归结果。 16 次试验的两水平部分因子设计，有 2 个中心点和 2 个特别指定运行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级因素。 您使用了两层设计，但添加了带有中心点的第三或第四层，并且特别指定运行。 这个平台不一定会给你错误的信息，但当有两个以上的级别时，它不一定会给你正确的信息。

 

尽管如此，它仍然可以作为一种探索工具和进行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。 通过这个实验无法成立。 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，这是可以估计的最大二次效应，并且哪些项的选择又是任意的。 此阶段的通常操作是专门增强两级设计，以估计最终决策的所有二次项。

 

另一种方法是使用逐步平台，从可能估计的所有潜在项（主要效应和相互作用）开始。 下面是启动的预测刻画器，其中使用逐步回归来选择模型，并为输出 A 和输出 C 保存了模型公式。

 

 

另一种方法是仅从主要影响开始，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。 这种方法基于等级制度和遗传原则。

 

请记住，使用这种设计会产生许多混杂和相关的影响。它提供有关响应的不完整信息。 因此，增强可能是阐明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尚未测试的治疗的新的独立运行进行经验验证。