Volevo progettare un esperimento per esaminare 18 fattori rispetto a una risposta. Ora capisco che esistono progetti più moderni e migliori per risolvere questo problema, ma all'epoca utilizzavo un progetto Plackett-Burman a 20 esecuzioni. Ho completato ogni corsa in duplicato, per 40 corse in totale. Allego un file .csv dei risultati anonimizzati, dove ho standardizzato i livelli dei fattori (media sottratta e divisa per deviazione standard).
Capisco che, poiché Plackett-Burman è un progetto saturo, non posso provare ad adattare un modello lineare perché il numero di termini significa che è quasi certo che sarà eccessivo, quindi dovrei usare lo "screening a due livelli" (anche se forse questo modifiche perché ho duplicati?) . Ho usato questa opzione, aggiungendo tutti i 18 fattori AR come X e la risposta come Y. Screenshot dei risultati di seguito:
Mi aspettavo che A, M e D avessero un effetto soprattutto, ma troverei abbastanza sorprendente se F e K avessero effetti significativi. Pertanto ho pensato di controllare qui se sto interpretando correttamente questi risultati. Sono particolarmente confuso dal fatto che JMP aggiunga termini "Null" come parte dello screening a due livelli. Questa pagina nella documentazione descrive la motivazione:
Il processo continua fino a quando N si ottengono effetti, dove N è il numero di righe nella tabella dati, saturando così completamente il modello. Se la saturazione completa non è possibile con i fattori, JMP genera effetti ortogonalizzati casuali per assorbire il resto della variazione. Sono etichettati Nullo n Dove N è un numero. Ad esempio, questa situazione si verifica se nel progetto sono presenti righe replicate esatte.
Ho delle righe replicate nel disegno, ma quando guardo il grafico sopra mi sembra che i fattori A e M siano separati dagli altri fattori e che i fattori diversi da A e M sembrino significativi solo perché i termini nulli sono aggiunto.
Perché dovrei mettere in discussione questi risultati, a parte il fatto che sarebbe sorprendente se alcuni fattori avessero degli effetti? Dalla documentazione JMP: "L'analisi dei progetti di screening dipende dal principio di effetti di scarsità , dove la maggior parte della variazione nella risposta è spiegata da un piccolo numero di effetti". Mi chiedo se qui si sta risolvendo questo problema, se tutti questi fattori si stanno rivelando significativi?
Molte grazie in anticipo per qualsiasi aiuto.
Sto utilizzando JMP Pro 17.0.0
