Split-Plot-DoE (begrenzte Anzahl von Probeläufen pro Tag)Hallo zusammen,
Neuer Fall:
3 Variablen (Faktoren)
Faktor 1 (kontinuierlich) = 0 - 225
Faktor 2 (kontinuierlich) = 0 - 10
Faktor 3 (Diskret – 2. Ebene) = 60 und 90 (Prozessschritt)
Faktor 3 kann als letzter Verarbeitungsschritt für die Mischung der ersten beiden Faktoren betrachtet werden. Also als Beispiel:
Faktor 1 (225) kombiniert mit Faktor 2 (10) – diese Charge würde idealerweise am selben Tag sowohl bei 60 als auch bei 90 behandelt werden.
Der begrenzende/herausfordernde Teil ist die Anzahl der Chargen, die pro Jahr durchgeführt werden können. Tag. Es bleibt nur Zeit, 2 Chargen pro Tag zu mischen, bei insgesamt 8 Testtagen. Das bedeutet bis zu 16 Chargen und „32 einzelne Läufe“.
Ich habe verschiedene Lösungen mit blockierenden/schwer zu ändernden Faktoren ausprobiert. Allerdings fällt die Leistungsanalyse ziemlich schlecht aus, wenn ich beide kontinuierlichen Faktoren als „schwer änderbar“ einstelle.
Ich interessiere mich für ein Modell, das Folgendes erklären kann:
Die 3 Hauptfaktoren
Alle Interaktionsbedingungen
Faktor 1 x Faktor 1
Mein aktuelles Setup ist in den beigefügten Bildern zu sehen.
Möglicherweise gibt es mehrere Lösungen, die ich nicht in Betracht gezogen habe. Könnte wirklich ein paar Inputs gebrauchen.
Ich freue mich auf Ihre Antwort. Derzeit wird JMP 17 verwendet – nicht in der Lage, mit JSL-Skripten zu schreiben/zu arbeiten.
Automatisierung und SkripterstellungVersuchsplanungQualitäts- und VerfahrenstechnikBetreff: Split-Plot-DoE (begrenzte Anzahl von Probeläufen pro Tag)Tut mir leid, ich kann mir nicht helfen. Ich betrachte das Problem etwas anders ... Sie haben eine große Chance, Ihren Prozess zu verbessern, indem Sie verstehen, was sich täglich tatsächlich ändert. Warum ändert sich der Prozess von Tag zu Tag so sehr? Bleiben die Faktoreffekte von Tag zu Tag konstant oder variieren sie? Ich bin zu deterministisch, um zu glauben, dass zufällige Variationen mit dem nicht verstanden, erklärt und wahrscheinlich nicht modelliert werden können Rechts Bemühung. Dies erfordert einige beharrliche und sorgfältige Arbeit, um Variablen zu identifizieren, die sich täglich ändern, und festzustellen, ob Sie in der Lage sind, diese Variablen langfristig zu verwalten, und, falls dies nicht möglich ist, einen Prozess zu entwickeln, der diesen Variablen gegenüber robust ist. Ein Modell zu haben, das den Mittelwert „vorhersagt“, ohne zu verstehen, was die Variation verursacht, ähnelt in etwa dieser alten Phrase:
„Füße im Ofen, Kopf im Gefrierschrank, im Schnitt die perfekte Temperatur“
Übrigens liefert uns Ihr kleiner Screenshot keine wichtigen Informationen zur Bestimmung der Modelladäquanz (z. B. RSquares, RMSE, Residuenanalyse). Außerdem gelten diese %-Werte nur für die vorliegenden Daten und bedeuten nicht unbedingt, dass Sie in Zukunft dieselben Ergebnisse erhalten werden.
Betreff: Split-Plot-DoE (begrenzte Anzahl von Probeläufen pro Tag)Hallo,
Der Teil „REML-Varianzkomponentenschätzungen“ des Berichts informiert Sie über die Größe der Fehlervarianz, die durch den Zufallseffekt (gesamtes Diagramm) im Vergleich zum Restfehler erfasst wird. Die Interpretation ist falsch, da 18 % der Daten „gültig“ sind. Sie sollten es so interpretieren, dass 18 % (oder tatsächlich 19 %) der Fehlervarianz nicht durch den gesamten Ploteffekt erklärt werden.
Ich hoffe das hilft,
Phil
Betreff: Split-Plot-DoE (begrenzte Anzahl von Probeläufen pro Tag)Hallo @Bertelsen92 ,
Ich denke, Sie finden die Erklärung hier @Mark_Bailey Sehr nützlich im Hinblick auf die Unterschiede zwischen zufälligen und festen Effekten: Gelöst: Betreff: Bedeutung des p-Werts für zufällige Effekte im Bericht – JMP-Benutzer-Community
In Ihrem Fall können 81 % der Varianz Ihrem Zufallseffekt, Ihrer Tagesvariablen, zugeschrieben werden. Ein signifikanter Wald-p-Wert bedeutet, dass die Antwortvarianz vom Zufallseffekt abhängt, also von Ihrer Tagesvariablen (dem gesamten Diagramm). Das heißt aber nicht, dass Ihre Daten „Müll“ sind. Sie können Ihre Daten und/oder Ihr Modell auch zunächst über verschiedene Plattformen visualisieren. Wenn Sie sich beispielsweise die auf verschiedenen Modellierungsplattformen verfügbare „Ist-zu-Prognose-Grafik“ ansehen, erfahren Sie möglicherweise bereits, ob Sie ein sinnvolles Modell für Ihre Daten erhalten können oder nicht (Beispiel). aus meiner Beispieldatentabelle, um die gleichen Bedingungen zu reproduzieren, die Sie haben):
Als Beispiel habe ich nicht konstantes Rauschen hinzugefügt (das mit der Anzahl der Zeilen zunimmt), und ich habe eine sehr ähnliche Anzeige wie Sie für REML:
Aber als ich mir die festen Effektschätzungen ansah (und nachdem ich nicht signifikante Effekte entfernt hatte), konnte ich zwei signifikante Haupteffekte erkennen, 1 signifikante Wechselwirkung und 1 signifikanten quadratischen Effekt:
Abhängig davon, wie groß Ihr Rauschen/Ihre Varianz ist (im Vergleich zum Mittelwert der Differenz zwischen den Pegeln, den Sie für die verschiedenen Faktoren/Effekte erkennen möchten), ist Ihre Vorhersageleistung möglicherweise nicht hoch. Es lohnt sich jedoch, einen Blick auf den Profiler zu werfen, um ein Gefühl dafür zu bekommen, wie sich die einzelnen Faktoren auf die Reaktion auswirken können.
Zusätzliche Option für den Profiler: Im roten Dreieck können Sie auf „Bedingte Vorhersagen“ klicken, um die Vorhersagen des Modells durch Fixieren der zufälligen Effekte anzuzeigen: Vorhersage-Profiler-Optionen (jmp.com) Dies kann hilfreich sein, wenn Sie einen Blick auf das Modell und die Auswirkungen der Faktoren werfen möchten, indem Sie die Varianz vom Zufallseffekt steuern.
Beispiel hier zu den Beispieldaten:
Ich habe mein hier gezeigtes Beispiel hinzugefügt, damit Sie die von mir gezeigten Ergebnisse reproduzieren können, indem Sie sich das Skript „Model final“ ansehen.
Ich hoffe, diese Antwort wird Ihnen helfen,
Betreff: Split-Plot-DoE (begrenzte Anzahl von Probeläufen pro Tag)Hallo @Victor_G Und @Phil_Kay ,
Der Test wurde nun durchgeführt und ich untersuche die Fit-Modellplattform auf mehrere gemessene Reaktionen. Ich habe eine Frage zum WholePlot*Random-Effekt.
Für eine der Antworten erhalte ich also Folgendes:
Also die gesamten Grundstücke (Prozent der Gesamtzahl = 81.229). Es ist richtig verstanden, dass 81 % der Varianz dieser Daten nicht durch die von uns geänderten Faktoren erklärt werden können, sondern eher auf etwas anderes zurückzuführen sind. In diesem Fall macht es wirklich Sinn. Ich wollte nur sichergehen, dass ich es richtig verstanden habe.
Zweitens: Ist es dann sinnvoll, den Prediction Profiler zu verwenden, wenn nur 18 % der Daten „gültig“ sind?
Vielen Dank im Voraus. Habe ein schönes Wochenende. 
Betreff: Split-Plot-DoE (begrenzte Anzahl von Probeläufen pro Tag)Vielen Dank für all Ihre Beiträge, Victor und @Phil_Kay . Wirklich gute Erklärung und Lösung für den von mir vorgeschlagenen Fall.
Ich glaube, ich habe die Bedeutung des „Power Score“ möglicherweise überschätzt, da ich nur die JMP-Standardeinstellung verwende (RMSE = 1, Koeffizient = 1).
Ich werde Ihrer Lösung mit den 32 Läufen und 16 Plots folgen. Wirklich gut mit der Vergleichsfunktion der beiden Designs, ich werde das beim nächsten Mal auf jeden Fall selbst ausprobieren.
Habt beide ein schönes Wochenende.
Betreff: Split-Plot-DoE (begrenzte Anzahl von Probeläufen pro Tag)Macht Sinn, @Victor_G . Entschuldigung, ich hatte die 28 Läufe fälschlicherweise als 26 interpretiert. In jedem Fall wird Ihr Entwurf mit 16 ganzen Parzellen eindeutig „besser“ sein als 7 oder 8 ganze Parzellen. Der relative Leistungsunterschied ist hier ein nützlicher Indikator: mehr Änderungen der Faktoren => mehr Leistung. Aber ich möchte noch einmal betonen, dass der absolute Wert der Leistung bedeutungslos ist, es sei denn, Sie haben aussagekräftige Zahlen für die Größe des Rauschens und das Signal, das Sie erkennen müssen.
Betreff: Split-Plot-DoE (begrenzte Anzahl von Probeläufen pro Tag)Hallo @Phil_Kay ,
Vielen Dank für die Unterstützung und Erläuterungen zum vorgeschlagenen Entwurf.
In seinem ursprünglichen Entwurf definierte Kristian 7 Parzellen und 28 Läufe, um die Bedingung von 4 Läufen pro Tag zu respektieren und zu realisieren. Da die höchstmögliche Anzahl an Läufen 32 beträgt, wäre es möglich gewesen, auch 8 Parzellen und 32 Läufe zu verwenden, um die Bedingung von 4 Läufen/Tag zu realisieren.
Bei diesem Entwurf bedeutet das jedoch, dass die Läufe in jedem Diagramm für die „schwer zu ändernden“ Faktoren ähnlich sind, sodass es 4 identische Chargen pro Tag bei 2 Bedingungen für den Faktor 3 gibt. Diese Situation hat möglicherweise keinen Einfluss auf die Leistung (im Vergleich zu dem Design, das ich zuvor vorgeschlagen habe) für Faktor 3, da für Faktor 3 in jedem Block eine Randomisierung möglich ist (einfach zu ändernder Faktor), aber aufgrund der „schwer zu ändernden Faktoren“, die Dies impliziert eine starke Einschränkung der Randomisierung für diese Faktoren. Dies wirkt sich auf die Stärke der „schwer zu ändernden“ Faktoren 1 und 2 sowie auf die Vorhersagevarianz für diese beiden Faktoren, die Präzision dieser Parameterschätzungen und Aliase in aus Design :
Leistungsvergleich zwischen Designs mit 8 Parzellen und 16 Parzellen:
Vergleich der Vorhersagevarianz zwischen Designs mit 8 Plots und 16 Plots:
Vergleich des relativen Standardfehlers der Schätzungen zwischen Designs mit 8 Diagrammen und 16 Diagrammen:
Vergleich der Korrelationen zwischen Termen im Modell für beide Designs:
Ich hoffe, diese Antwort hilft und ergänzt die großartigen Erklärungen von Phil.
Betreff: Split-Plot-DoE (begrenzte Anzahl von Probeläufen pro Tag)Hallo @Bertelsen92 ,
@Victor_G Die Lösung von 's macht für mich Sinn und scheint Ihren Anforderungen zu entsprechen.
In Ihrem Beispiel hatten Sie 7 ganze Parzellen und insgesamt 26 Läufe angegeben, was seltsam wäre.
Die Anzahl der ganzen Parzellen ist die Anzahl der Gruppen von Läufen, innerhalb derer die schwer veränderbaren Faktoren konstant bleiben. Daher hat Victor dies auf 16 gesetzt, da Sie über 8 Tage hinweg jeden Tag 2 Kombinationen Ihrer schwer zu ändernden Faktoren ausführen können, insgesamt 32 Läufe.
Du hast dir Sorgen um die Macht gemacht. Die Leistung wird geringer sein, wenn Sie Faktoren als schwer änderbar festlegen. In geplanten Experimenten erfahren wir etwas über die Auswirkung eines Faktors auf die Reaktion, indem wir den Faktor ändern und die Auswirkung auf die Reaktion beobachten. Wenn wir weniger Änderungen am Faktor vornehmen, lernen wir weniger. Es ist nicht komplizierter.
Allerdings ist die absolute Zahl, die Sie für die Leistung sehen, nur dann aussagekräftig, wenn Sie gute Zahlen für das Rauschen (RMSE) und das Signal haben, das Sie erkennen müssen (erwarteter Koeffizient). Meistens haben wir diese nicht. Wenn Sie also nur die JMP-Standardwerte (RMSE = 1, Koeffizient = 1) verwenden, macht es keinen Sinn, sich Gedanken darüber zu machen, ob die Leistung > oder < 0,8 ist.
Ich hoffe das hilft.
Phil
Betreff: Split-Plot-DoE (begrenzte Anzahl von Probeläufen pro Tag)Hallo Kristian,
Eine mögliche Option besteht darin, die beiden Faktoren 1 und 2 als „schwer zu ändern“ und Faktor 3 als „leicht zu ändern“ zu betrachten:
Erstellen Sie dann Ihr Modell mit Haupteffekten, Wechselwirkungen und quadratischer Potenz für Faktor 1. Geben Sie die Anzahl der gesamten Plots auf 16 und die Anzahl der Durchläufe auf 32 an:
Sie haben 2 Läufe pro ganze Parzelle (insgesamt 2 Chargen/4 Läufe pro Tag, also 2 ganze Parzelle pro Tag), bei denen nur der Faktor 3 variiert:
Im Anhang finden Sie die Datentabelle für das Design, um das Design zu bewerten und festzustellen, ob es Ihren Anforderungen entspricht.
