DOE - カスタム DOE を使用して他の要因の直接影響を受ける制御されていない要因を処理する方法私はこのことに関してはかなり初心者なので、状況を定義します。 この状況についてあなたの考えを共有してください。
因子 C と D (測定値) に個別かつ直接影響を与える 2 つの因子 (入力 A、B) があります。 A または B のいずれかを増やすと、C と D が増加します。 問題は、現在、A と B の利点を C と D から切り離そうとしていることです。 C と D を未制御因子として残した RSM DOE を試みました。 JMP はさらにいくつかの実行を追加しました。私の希望は、モデルを適切に生成するために十分なバリエーションが得られることです。 残念ながら、C および D の測定値で係数を入力した後、計画を評価し、この分散プロファイルを取得しました。 したがって、この試みは失敗だったと思います。
他の要因から直接影響を受ける要因をどのようにモデル化するのでしょうか?
実験計画法ウィンドウズRe: DOE - カスタム DOE を使用して他の要因の直接影響を受ける制御されていない要因を処理する方法あなたの「因子 C と D」は、JMP で共変量と呼ばれるものであるように私には聞こえます。 追加の洞察を得るには、ここを参照してください。 取り扱い実験計画時の共変量
Re: DOE - カスタム DOE を使用して他の要因の直接影響を受ける制御されていない要因を処理する方法申し訳ありませんが、使用している用語に少し混乱しています。おそらくあなたは明確にすることができます。A と B が入力変数 (X) であることに注意してください。あなたが何をC&Dと呼んでいるのか混乱しています。これらは応答変数 (Y) ですか、それとも入力変数ですか?それを測定と呼んでいますか？
これらが (いくつかの理由により) 制御したくない入力変数である場合、それらはノイズ変数です。これらが測定可能なノイズ変数である場合、実際、Pete が示唆しているように、これらは共変量と見なすことができます。それらが入力変数であり、A&B と相関している場合は、多重共線性の問題が発生します。共線性の問題を数学的に解決する方法はありません。これらの共線性要因を処理する方法を選択するには、SME を使用する必要があります。オプションには、モデルから共線項の一部を削除することや、共線性のある因子を 1 つに結合することが含まれます。組み合わせた要素。
Re: DOE - カスタム DOE を使用して他の要因の直接影響を受ける制御されていない要因を処理する方法そうですね、それは私が調べていたルートです。 これが進むべき方向である可能性があることを再確認できてうれしいです。 ありがとう！
Re: DOE - カスタム DOE を使用して他の要因の直接影響を受ける制御されていない要因を処理する方法ああ、素晴らしい点ですね。 A と B はどちらも入力 (因子) であり、濃度を調整することで物理的に制御できます。 これは、混合後の溶液の測定値である C と D に影響します。 C と D はどちらもこのプロセスに影響を与えることが知られているプロパティであるため、それ自体が要因となります。 A と B の濃度を調整することで C と D を制御することも、A と B を制御しても C と D を制御しないままにすることもできます。 それらは本質的に結びついています。
確かにあなたの言い分はわかります。 実際に、A と B からの応答として C と D をモデル化できます。
これは共線性の問題に該当すると思いますか?
両方のコンポーネント (A と 
は異なりますが、C と D には同じ効果があります。私の希望は、この 2 つの組み合わせを使用して、コンポーネント自体が本質的にプロセスを改善するのか、それとも共通の特性であるのかを判断できることでした。 (C および D) 改善を促進するソリューションについて。
OFAT の観点からは、A と B を調整することで C と D を一定に保つことになるでしょう。 結果が同等であれば、私は A と B を重要ではなく、C と D と主要な要因と判断します。
A1 + B1 = C + D
A2 + B2 = C + D
A3 + B3 = C + D
ただし、私はこれらの実験に対して、より統計的なアプローチに移行しようとしています。
これまでのご協力に感謝いたします!
Re: DOE - カスタム DOE を使用して他の要因の直接影響を受ける制御されていない要因を処理する方法特定の状況について一般論を話すのは、不可能ではないにしても非常に難しいことを認めざるを得ません。十分なコンテキストが提供されていません。
」実際に、A と B からの応答として C と D をモデル化することができました。」それがあなたの実験です。 C と D は、因子 A と B に対する応答変数です (少なくともそれがあなたの説明です)。C と D は明示的に制御/管理できないため、要因ではありません。これらのインプロセス y を (Y=f(y)) と呼びます。効果の階層を考えてみましょう。 (Y=f(C,D)=g(A,B))
OFAT ステートメントは意味がありません。C&D を一定に保つことはできません。A&B を操作して C&D を管理します。
追加の問題としては、考慮されていない制御されていない変数 (測定誤差、原材料の変動、周囲条件、加工変数など) があります。
