507_de-DE
Screening replizierter faktorieller DOE – Halbnormaldiagramm – Nullraumterme?Ich erstelle ein 2x2 vollfaktorielles DOE mit 1 Replikation. Wenn ich meine Daten von rechts nach links sortiere, sind meine Antworten 10, 11, 20, 19, 30, 28, 37, 40.
Ich führe das Screening-Skript aus und es entsteht eine halbwegs normale Handlung – soweit so gut. Aber es gibt 7 Punkte im halbnormalen Diagramm, aber nur 3 Effekte (2 x Haupteffekte und 1 x 2 Faktorinteraktion). Einer der Nullbegriffe „Null7“ wird sogar als bedeutsam hervorgehoben.
Abschließend wird eine Lenth-PSE zitiert.
Im Statistik- und Diagrammleitfaden für die Screening-Analyse heißt es: „Der Prozess wird fortgesetzt, bis n Effekte erzielt werden, wobei n die Anzahl der Zeilen in der Datentabelle ist, wodurch das Modell vollständig gesättigt ist.“ Wenn eine vollständige Sättigung mit den Faktoren nicht möglich ist, generiert JMP zufällige orthogonalisierte Effekte, um den Rest der Variation zu absorbieren. Sie tragen die Bezeichnung Null n, wobei n eine Zahl ist. Diese Situation tritt beispielsweise auf, wenn im Design exakte Replikatzeilen vorhanden sind.
Meine Fragen:
1. Warum macht man das so? Ich habe keine Ahnung, ob dies der statistisch korrekteste Ansatz zur Analyse eines replizierten faktoriellen Designs ist, aber es ist gelinde gesagt verwirrend, zusätzliche Nullterme im Halbnormaldiagramm zu sehen, wo ich nur Haupteffekte und Wechselwirkungen erwarte. Ich habe das weder in Lehrbüchern noch in Minitab gesehen.
2. Ich dachte, Lenths Verfahren sei eine Methode zur Analyse UNREPLIZIERTER Daten, bei denen es keine Freiheitsgrade für den Fehlerterm gab. In Minitab wird beispielsweise die Lenth-Methode verwendet (und ein PSE angegeben), wenn der Entwurf nur nicht repliziert wird.
Alle Kommentare sind willkommen (ich würde gerne erfahren, dass ich replizierte DOEs in JMP falsch ausführe).Betreff: Screening replizierter faktorieller DOE – Halbnormaldiagramm – Nullraumterme?Es fühlt sich an, als ob Sie es richtig eingerichtet haben. Ich würde einfach das Skript „Modell anpassen“ ausführen, das Ihnen die Haupteffekte und bidirektionalen Interaktionsbedingungen liefern sollte. Wenn das Standardmodell nicht in die Datentabelle geschrieben wurde, würde ich die Begriffe entsprechend zum Dialogfeld „Modell anpassen“ hinzufügen. Wenn ich das mit Ihren Daten mache, erhalte ich einen R-Quadrat-Wert von 0,991 und einen adj. R-Quadrat von 0,985. Auch die Anova gibt mir einen p-Wert von 0,0001. X2 ist Ihr größter Fahrer, gefolgt von X1. Es scheint keine Interaktion zu geben.
