247114_zh-TW

liliconcom

Opt DOE模擬結果分析

親愛的 JMPer，

 

目前，我正在分析 Opt DOE 模擬結果。 然而，我沒有從模擬中得到一致的結果，並且在計數器輪廓分析過程中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矩陣如表1所示

1. 擬合模型（模擬1）：
   1. 在模擬 1 中輸入 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 的擬合和輸出趨勢的 Rsquare（輸入 A/C 是該過程的關鍵因素）
2. 擬合兩級篩選（模擬 2）：
   
   1. 選擇輸出 A 以運行擬合兩級篩選。
   2. 使用定義的重要因素，例如輸出的交互和單獨的輸出。
   3. 運行模擬標準最小二乘法和效應槓桿。
   4. 表 2 顯示了基於輸入 A/C 的擬合和輸出趨勢匯總的 R 方（輸入 A/C 是該過程的關鍵因素）

輸出 B 和輸出 C 能夠根據較高輸入或較低輸入（由於物理原因）來預測趨勢。 然而，輸出 A 是一個重要的響應，我想看看什麼模擬會顯示趨勢。 根據擬合摘要的 Rsquare，模擬 1 似乎比模擬 2 更好。 然而，對我來說，模擬 2 的輸出趨勢比模擬 1 更符合邏輯。 因此，我想知道是否有人可以分享一些輸入，以便對這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。

 

謝謝你，

 

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 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 號	+−+−+−	300	200	120	1	25	1	0.0%	2,304	42
18	++++++	300	400	120	3	25	5	0.0%	3,431	69
19	上電複位	150	300	120	0	0	0	7.1%	3,642	16
20	上電複位	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 高電平	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 R平方	0.96	0.78	0.84	0.95	0.59	0.85

Re: Opt DOE模擬結果分析

馬克模型構建方法的另一種方法（從一階開始，然後根據稀缺性、層次結構和遺傳性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（如果您喜歡這類事情）。 刪除無關緊要的項（考慮 Rsquare 與 Rsquare 調整後的增量），然後重新運行模型，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：

“兩個同樣有能力的調查員遇到同樣的問題通常會從不同的起點開始，採取不同的路線，但可能會得出相同的答案。 追求的不是統一而是趨同” （框，亨特亨特“實驗者統計”）。

Re: Opt DOE模擬結果分析謝謝您的指正。 再次感謝您的建議。Re: Opt DOE模擬結果分析

你問， ”根據您的經驗，模擬是否應該關注通過擬合二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對基於部分因子設計的實驗進行分析。 正如我所說，您可以使用兩個階段來處理它，首先選擇主要效應，相信等級原理成立，然後為活躍因素添加相互作用項，相信遺傳原理成立。 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。

 

你問， ”你能分享一下 s 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。 指定 Y 角色中的響應數據列。 指定效應的線性預測變量中的項。 但將個性從標準最小二乘法切換為逐步法..

 

請參閱 JMP > 書籍 > 擬合線性模型 > 逐步章節。

Re: Opt DOE模擬結果分析

@馬克貝利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 因子相互作用的分數階乘而設計的，我嘗試定義該過程的關鍵因素。

一個簡單的問題。 根據您的經驗，模擬是否應該關注通過擬合二級篩選定義的主效應？ 我注意到您會分析定義的效果並繪製預測曲線。

 

另外，我以前沒有使用過階梯平台。 你能分享一下 s 的腳本嗎逐步平台模擬？

 

再次感謝您的想法和意見。

 

謝謝你，

 

最好的，
安迪

Re: Opt DOE模擬結果分析

所以你設計了一個計算機模擬實驗？ 即在計算機模擬中使用因子水平作為參數值？

 

相反，我將你的問題解釋為回歸結果。 16 次試驗的兩水平部分因子設計，有 2 個中心點和 2 個特別指定運行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級因素。 您使用了兩層設計，但添加了帶有中心點的第三或第四層，並且特別指定運行。 這個平台不一定會給你錯誤的信息，但當有兩個以上的級別時，它不一定會給你正確的信息。

 

儘管如此，它仍然可以作為一種探索工具和進行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。 通過這個實驗無法成立。 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，這是可以估計的最大二次效應，並且哪些項的選擇又是任意的。 此階段的通常操作是專門增强两級設計，以估計最終決策的所有二次項。

 

另一種方法是使用逐步平台，從可能估計的所有潛在項（主要效應和相互作用）開始。 下面是啟動的預測刻畫器，其中使用逐步回歸來選擇模型，並為輸出 A 和輸出 C 保存了模型公式。

 

 

另一種方法是僅從主要影響開始，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。 這種方法基於等級制度和遺傳原則。

 

請記住，使用這種設計會產生許多混雜和相關的影響。它提供有關響應的不完整信息。 因此，增強可能是闡明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尚未測試的治療的新的獨立運行進行經驗驗證。