Verwendung des DOE-Ergebnisses als quantitative oder qualitative Vorhersage (basierend auf der Wirkungszusammenfassung)Hallo zusammen,
Ich mache ein vollfaktorielles DoE mit 2 Faktoren und 2 Antworten. & frage mich, wie es geht
Nach dem Testen und Ausführen des Modells. Das Ergebnis zeigt, dass es keine signifikanten Faktoren und auch kein signifikantes Modell gibt.
Aber schauen Sie sich den Interaktionsprofiler an. Ich sehe einige klare Trends bei Faktor A und Reaktion X.
Meine Frage ist also, wie man dieses Ergebnis richtig verwendet.
- Damit kann ich mithilfe des Regressionsmodells keine quantitativen Vorhersagen treffen. Weil es statistisch unbedeutend (nicht praktikabel) ist
- Mit dem Trend kann ich ihn immer noch verwenden, um ihn qualitativ (den Trend) vorherzusagen, zum Beispiel: Wenn Faktor A erhöht wird, wird X zunehmen.
Verstehe ich es richtig? Oder habe ich dieses Ergebnis falsch interpretiert?
Ich hoffe, dass mir ein Experte helfen kann. Danke euch allen
VersuchsplanungBetreff: Verwendung des DOE-Ergebnisses als quantitative oder qualitative Vorhersage (basierend auf der Wirkungszusammenfassung)Hallo @Justin_Bui ,
Es kann mehrere Erklärungen dafür geben, warum Sie die Begriffe im Modell nicht für statistisch signifikant halten:
- Zu enge Faktorbereiche (daher kann es schwieriger sein, statistische Unterschiede zwischen hohen und niedrigen Werten zu finden),
- Hohe Variabilität der Antwort(en),
- Unangemessenes Modell (und/oder Wahl der Begriffe im Modell),
- Zu kleine Stichprobengröße für das Design (also geringe Aussagekraft zur Erkennung statistisch signifikanter Effekte),
- Fehlende Faktoren, die die Variation der Antwort(en) statistisch erklären,
- Tatsächlich nicht statistisch signifikante Faktoren,
- Kombination der oben genannten Optionen,
- Andere Überlegungen...
Unter Berücksichtigung Ihres Designs und des angenommenen Modells können Sie mit der Bewertung Ihres Designs beginnen, um zu sehen, wie wahrscheinlich es ist, dass Sie statistisch signifikante Effekte erkennen, wenn diese aktiv sind (siehe Skript „Design bewerten“ in der Datentabelle). Es scheint, dass Ihre Aussagekraft für die Erkennung von Haupteffekten und Wechselwirkungen recht gering ist. Daher ist es keine große Überraschung, keine statistisch signifikanten Begriffe für die Antwort Y zu finden, wenn man die hohe Variabilität dieser Antwort berücksichtigt (ungefähr 5 % der Chancen, einen statistisch zu erkennen). signifikanter Effekt (falls aktiv) für ein Signifikanzniveau von 0,05 und RMSE um 5 für die Antwort Y mit Ihren 6 Experimenten):
Für einen guten Ausgangspunkt vor der Modellierung ist es immer am besten, einfach anzufangen und einige Grafiken/Visualisierungen zu erstellen, um die Trends zu erkennen. Dies könnte Ihre Modellierungsoptionen weiter verbessern und informieren, und Visualisierungen können Ihnen auch während der Modellierung dabei helfen, die Relevanz Ihres Modells zu beurteilen (z. B. durch Betrachtung der Residuendarstellung, tatsächlich vs. vorhergesagt usw.).
Interessant ist auch die praktische Bedeutung des Faktors bzw. der Faktoren.Stellt eine Abweichung von 20 in der Antwort Y für eine Einheit des Faktors B in dem von Ihnen angegebenen Beispiel für Antwort Y und bei Betrachtung der Parameterschätzungen einen praktisch signifikanten Anstieg/Rückgang dar?
Was Sie möglicherweise für Antwort Y finden, sind Trends, die durch die Durchführung zusätzlicher Experimente weiter untersucht werden könnten (Erweitern des Designs durch Hinzufügen von Läufen, die dieses Modell bestätigen, und/oder Replizieren vorhandener Läufe, um die Variabilität der Antworten besser beurteilen zu können). Die statistische Signifikanz hilft Ihnen, mehr Sicherheit bei der Interpretation Ihrer Ergebnisse zu haben. Beispielsweise können Sie in Antwort Y erkennen, dass Parameterschätzungen einen relativ hohen Standardfehler aufweisen, was bedeutet, dass die Größe des Effekts möglicherweise nicht genau geschätzt werden kann. Daher ist es in solchen Situationen immer am besten, die Trends mit größter Vorsicht zu interpretieren.
Für Antwort Ich lasse Sie das Modell für Antwort X in der beigefügten Datentabelle bewerten.
Ich hoffe, diese erste Antwort kann Ihnen helfen,
Betreff: Verwendung des DOE-Ergebnisses als quantitative oder qualitative Vorhersage (basierend auf der Wirkungszusammenfassung)Justin,
Eine kleine „andere Überlegung“, um die sehr gut formulierten Punkte von Victor_G zu ergänzen …
Wenn man sich die Rohdaten ansieht, scheinen die Werte für Antwort X und Antwort Y sehr grobe Messwerte zu haben.Auch wenn dies möglicherweise ein Artefakt der Übersetzung Ihres Beispiels für die Veröffentlichung ist, weist es doch auf ein Problem hin.
In den sechs Durchläufen hat X nur drei Wertoptionen und Y nur zwei.Obwohl es schön ist, dass die Wiederholungen für Faktormuster 00 gleich ausgefallen sind, kann die mangelnde Präzision des Messsystems das Prozessverständnis beeinträchtigen.
*Überlegen Sie, ob die Präzision des Messsystems verbessert werden kann*.
Es wird schwierig sein, ein nützliches mathematisches Modell zu erstellen, wenn der Assay für Antwort
Je nachdem, wo im DOE-Prozess eine Kosten- und Zeitbelastung auftritt, sollten Sie über wiederholte Messungen statt wiederholter Durchläufe nachdenken.
Betreff: Verwendung des DOE-Ergebnisses als quantitative oder qualitative Vorhersage (basierend auf der Wirkungszusammenfassung)Obwohl Greg einen guten Punkt vorbringt, geht es um Diskriminierung oder eine wirksame Lösung, nicht um Präzision.
