629182_de-DE

liliconcom

Problem mit Modellergebnissen anpassen

JMP 17: Ich habe ein paar allgemeine Fragen zu den Ergebnissen, die ich aus einer Analyse der Plattform „Modell anpassen“ erhalten habe. Ich hänge meinen Datensatz an. Ich habe eine kontinuierliche Antwortvariable, Dicke, und vier kategoriale Faktoren, die moduliert wurden, jeweils zwei Ebenen. Die Dicke wurde als Y-Variable verwendet, und alle vier Faktoren (3, 4, 5 und 6) wurden in den Bereich „Modelleffekte konstruieren“ verschoben, indem Makro > Fakultät sortiert ausgewählt wurde. Mich interessiert, ob es Wechselwirkungen gibt. In den Ergebnissen fällt mir als Erstes auf, dass das Diagramm der studentisierten Residuen ein sinusförmiges Muster aufweist. Ich habe mir ein JMP-Video angesehen, in dem der Moderator erwähnte, dass bei einem Muster in diesem Residuendiagramm möglicherweise ein Problem mit den Daten vorliegt. Als Nächstes weist die Tabelle Parameterschätzungen mehrere Zeilen ohne Ergebnisse auf. Was zeigt das an? Ebenso enthält die Wirkungstesttabelle ebenfalls keine Daten. Was zeigt das an? Jeder Input wäre willkommen. Ich habe nach Artikeln oder Videos gesucht, bin aber auf keine ähnlichen Probleme gestoßen.

 

Danke schön.

 

 

 

Grundlegende Datenanalyse und ModellierungBetreff: Problem mit Modellergebnissen anpassen

Das zyklische Muster ist im Residuendiagramm ersichtlich. Nur um sicherzugehen, dass die Zeilen in der Tabelle in der gleichen Reihenfolge wie die tatsächlichen Läufe auftreten?

 

Die Nullschätzungen weisen darauf hin, dass Sie das Modell überspezifiziert haben. Sie haben das Experiment für ein einfacheres Modell entworfen und dann während der Analyse Terme höherer Ordnung hinzugefügt, aber das Design (die Daten) unterstützt nicht die Schätzung aller Terme. Auf die Anzahl der Läufe kommt es nicht an. Sie könnten ein Experiment mit 4 Faktoren und 2 Ebenen entwerfen, um die 4 Haupteffekte und den Schnittpunkt in nur 5 Durchläufen abzuschätzen. Sie könnten dieses Design viele Male für eine große Anzahl von Gesamtläufen replizieren, aber Sie können immer noch keine Effekte höherer Ordnung abschätzen.

 

In Ihrem Fall wurde Faktor 3 = B nur auf einer Ebene der anderen Faktoren ausgeführt.

Betreff: Problem mit Modellergebnissen anpassen

Markus, danke für die Antwort. Die Zeilen in der Tabelle sind nicht in Ausführungsreihenfolge. Die Versuche wurden an Bauteilen durchgeführt, die mehrere Prozessschritte aufweisen. Die vier aufgelisteten Faktoren befanden sich also in verschiedenen Prozessschritten. Die Faktoren sind in der Prozessreihenfolge nummeriert, in der sie aufgetreten sind.

 

Etwas detaillierter, ich war nicht an der Gestaltung dieses Experiments beteiligt. Ich glaube, das war kein echtes DOE-Setup. Im Grunde ein Multi-Faktor-Matrix-Experiment mit zwei Ebenen. Schließt dies die Verwendung der Fit Model-Plattform zur Analyse der Ergebnisse aus?

 

Ich habe versucht, die Add-Methode für die Faktoren im Bereich Construct Model Effects zu verwenden, ich habe die Makro-Option für Fakultäten nicht verwendet, das Ergebnis ist unten. Ich habe die Faktoren 4 und 5 entfernt und dann die Analyse erneut durchgeführt. Die Faktoren 3 Level A & 6 Level One zeigen also statistisch signifikante Deltas zu ihren entgegengesetzten Levels? Welche Bedeutung hat der Intercept?

 

 

 

Betreff: Problem mit Modellergebnissen anpassen

Es wäre eine gute Idee, die Ausführungsreihenfolge zu bestimmen und die Tabelle in der Ausführungsreihenfolge zu sortieren, um das in den Residuen beobachtete zyklische Muster zu untersuchen.

 

Dadurch, dass die vier Faktoren an unterschiedlichen Prozessschritten beteiligt sind, ist das Experiment nicht randomisiert. Diese Tatsache hat wichtige Implikationen für die Analyse der Daten. Die statistischen Fehler sind korreliert. Die grundlegende Annahme einer konstanten Varianz über den Antwortbereich wird wahrscheinlich verletzt. Das Modell mit einer einzigen konstanten Varianz ist unzureichend. Die Parameterschätzungen für die Effekte jedes Faktors erfordern unterschiedliche Standardfehlerberechnungen basierend auf den mehreren Versuchseinheiten (Randomisierung). Andernfalls sind die Fehler vom Typ I und Typ II anders als erwartet und die p-Werte haben nicht die erwartete Abdeckung.

 

Alle t-Tests in der Parameterschätzungstabelle sind (geschätzter Parameter – hypothetischer Parameter) / (Standardfehler der Schätzung). Der angenommene Parameterwert ist Null. Der Schnittpunkt wird also wie die anderen Parameter mit Null verglichen. Die Standardfehler sind jedoch aufgrund des Split-Plot-'Designs', das zum Sammeln der Daten verwendet wird, wahrscheinlich nicht korrekt.