こんにちは。 こんにちは、 みんな。
これ は チェン・ティン ここ、
そして その 他の プレゼンター 今日 意思 なれ 崔岳さん。
今日、 私たちは は 行く に 共有 と あなた 私たちの 経験
の 探検する JMP DOE デザイン
そして その モデリング 機能 に 改善する その スパッタリングプロセス。
最初の 全て、
さあ 持っている a 簡単な 背景 そして 導入 について その プロジェクト。
これ は その 黒 ベルトシックスシグマ DMAIC プロジェクト
に関して に その スパッタリング プロセス。
その プロジェクト ゴール だった に 最適化する いくつかの 膜 プロパティ。
で その 定義する 段階、 私たちは 持っている 特定された その 三つ CTQ
そして その 三つ 相関関係 成功 基準。
CTQ 1は その ほとんど 重要 そして a 挑戦的 1つ。
その 成功 基準
は その 測定 結果 は 大きい よりも 0.5。
CTQ2と CTQ3 は 平等に 重要。
その 成功 基準 のために 両方 の 彼ら
は その 測定可能な 結果 すべき なれ 少ない よりも 0.05。
違う JMPツール もっている された 適用済み 大規模に 全体を通して その 測定 段階、
分析する 段階、 そして 改善する 段階。
私たちは 意思 共有 私たちの 経験 の 使用して その JMPツール ここ。
で その 測定 段階、 私たちは した MSA、 そして 私たちは 確定 その データ コレクション
のために その ベースライン ハードウェア。
三つ チューニング ノブ、 すなわち X ₁, X ₂、そして X₃ 関与している。
後 データ コレクション、
私たちは 使用 a モンテカルロ シミュレーション で ジャンプ に 分析する その ベースライン 能力。
これ は その 最初のツール 私たちは 導入 今日 あまりにも。
で 注文 に 確立する あなたの ベースライン モデル、
私たちは 使用 拡張された DOE、 RSM、 予測 プロフィール、
として 良い として 交流 プロフィール、 チェック 機能 で ジャンプ。
後 入る その 分析する 空間、
で 注文 に する a 根- 原因 分析 そして 能力 分析、
私たちは 使用 その ゴール プロット、
望ましさ 関数、 多変量 方法、
そして その グラフィック 分析 ツール。
で その 改善 段階、 私たちは した ハードウェア 修正、
どこ 別の チューニング ノード X₄ だった 紹介された。
相互の作用 グラフ、 拡張DOE、
RSM、 望ましさ 関数、 そして 交流 プロフィール だった 使用済み
で これ セクション に さらに遠く 改善する その プロセス。
その ゴス 段階的に フィット そして 望ましさ 関数 だった 使用済み
で その 堅牢なDOE モデリング に さらに遠く 改善する その プロセス。
いくつかの の これら ツール 意思 なれ 実証された による 後は崔岳。
その コントロール 段階 意思 ない なれ 覆われた で 今日の プレゼンテーション。
として 私たちは 言及された、 で その 測定 段階、
それで 後 その ベースライン コレクション、 私たちは 実は 使用 その モンテカルロシミュレーション
に 理解する その ベースライン プロセス 能力。
これら は その ベースライン 機能 のために 三つ CTQ。
私たちは できる 見る それ 全て の 彼ら は 普通 分布、
示す a 強い リニア 相関 と その 入力 パラメータ。
のために CTQ1、 その サンプル 平均 は 外 の スペック 制限。
したがって、 私たちは 持っている a とても ネガティブ Ppk 価値。
その 99 % の その ベースライン プロセス 結果 できない 会う CTQ1 スペック で 全て。
CTQ2 は 近い に その スペック の間で その 三つ CTQS。
サンプル 平均 は より低い よりも アップ 仕様制限。
したがって、 私たちは 持っている a ポジティブ Ppk .
その 48 % の その ベースライン プロセス 結果、 彼らは する ない 会う その スペック のために CTQ2。
サンプル 平均 のために その CTQ3 は 外 の スペック 制限 として 良い。
したがって、 それ もっている ネガティブ Ppk。
64 % の その ベースライン プロセス 結果 した ない 会う その スペック
これ ベースライン 能力 確認済み
それ その 最大の 長寿 のために これ プロジェクト は C TQ1。
どうやら、 その ベースライン プロセス 状態、
どれの 良い 電話 プロセス 条件付き 1 ここ、
できない 会う 私たちの CTQ 成功 基準、 特に のために CTQ1。
私たちは 意思 必要 に 曲 その プロセス 状態。
しかし、 前に それ、 私たちは 意思 必要 知る
もし その 現在 ハードウェア できる 会う その 要件 か否か。
その 主題 案件 専門家、 その 私たちは、 もっている アドバイス 私たち、
もっている 提案された その 二 仮説、 そして アドバイスする 私たち に シフト その プロセス
に 状態 2 ベース の上 その 2番 仮説。
しかし、 前に それ、 私たちは 意思 必要 に チェック
もし その 予測 モデル は 良い のために 両方 状態。
したがって、 私たちは 使用 その 散らばる プロット に チェック その 収集された データ 構造。
として 私たちは 見る ここ、 その データ 収集された は ない で a 直交 構造。
これ は なぜなら 私たちは 実は 使用 a 二- ステップ 評価 デザイン、
そして 広げる その プロセス 範囲 に 会う その 成功 基準 の CTQ1。
私たちは した 持っている 弱い 予測 能力 で その より白い部分。
しかし、 私たちは まだ 持っている 良い 予測 のために その 状態 1と 状態 2.
私たちは また した a 混乱させる 分析。
その 事実 そこには は ある 混乱させる リスク で その 解決 II 間 X ₁ そして X₃。
それにもかかわらず、 私たちは まだ 建てられた a 予測 モデル。
私たちは 使用 その 応答 サービス 方法 のために その フィッティング。
で これ 場合、 その 主要 効果、 相互作用、
そして その 二次項 意思 なれ フィッティング 一緒に。
に基づく その RS、 S Rも同様に、 RS- 調整済み 四角、 そして その p値、
私たちは できる 見る その a 有効 予測 モデル。
から 効果 まとめ、
私たちは できる 見る それ のみ その 重要な 条項 は 含まれる で その モデル。
と その 交流 プロフィール、 私たちは できる 見る 二 相互作用
どれの は 相関関係 と 二 仮説 私たちは 言及された 前に。
と その 予測 プロフィール、 私たちは 選ぶ その プロセス 状態 2.
で これ プロセス 状態、
何 私たちは できる 見る ここ は 95 % の その 自信 間隔 の CTQ1
は 間 その 範囲 の 0.5 そして 0.6。
これ CTQ もっている された 調整された の中へ スペック
しかし、 で その その間、 その CTQ2 そして その CTQ3は 外 の スタック。
したがって、 私たちは 使用 その ゴール プロット に 比較する その 二 プロセス 条件、
そして 再 それを理解する いつ 私たちは 持っている 改善された CTQ 1
から プロセス 状態 1から プロセス 状態 2
による 取得 より近い に その ターゲット
そして a 狭まる ダウンの 標準 偏差。
しかし、 で その その間、 C TQ2 そして 3 だった 補償された
と 大きい 標準 偏差 そして その さらに遠く 距離 に その ターゲット。
したがって、 そこには は a トレード・オフ 間 三つ CTQ。
で これ 場合、 私たちは 試す に 探す 一つの 最適化された 解決
と その 望ましさ 関数 で ジャンプ。
CTQ1の場合 , その 成功 基準 は それ モードの 0.5。
H また、 私たちは 使用 その 最大 高原 方法 いつ セット その 望ましさ 関数。
手段 どれでも 価値 もっと よりも または 等しい に その ターゲット
意思 なれ 平等に 好ましい。
私たちは また ハイライト その 重要性 CTQの 1 による パッティング 1.5 として その 重要 要素。
フォ r CTQ2および3、 その 成功 基準 は 少ない よりも 0.05。
したがって、 私たちは 使用 その 最小プラトー いつ セット その 望ましさ。
どれでも 価値 少ない よりも または 等しい に その ターゲット
意思 なれ 平等に 好ましい。
しかし、 後 最大化する その 望ましさ、
その 計算された 最適化された 解決 は のみ その周り 0.02、
そして なし の その 三つ CTQ できる 会う その 成功 基準。
したがって、 私たちは できる 結論する それ そこには は a ハードウェア 制限
で これ 場合。
後 議論 と その 私たちは、
私たちは 決める に 導入 Y₄ の中へ 私たちの データ 分析。
Y₄ は ない CTQ ここ、
しかし それ は a 測定 それ できる 反映する その 本質的な 財産 の その プロセス。
これ 本質的な 財産 意思 影響する その CTQ2 そして CTQ3 を直接使用します。
もし Y₄ は もっと よりも ゼロ、 それから その a ポジティブ プロセス、
そして それが Y₄ は 少ない よりも ゼロ、 その 一つの アクティブ プロセス。
もし Y₄は より近い に ゼロ、 それから 私たちは 電話 は a 中性 プロセス、
どれの リードイン に a 小さい 番号 の CTQ2 そして CTQ3 一緒に。
ここ は その 分布 の Y₄ の その ベースライン ハードウェア。
として 何 私たちは できる 見る ここ と その ベースライン ハードウェア、
その Y₄は いつも もっと よりも ゼロ。
それ、 私たちは 意思 いつも 持っている のために ポジティブ プロセス。
その マルチ 変量グラフはこちら 実は ショー その 関係
の間で その Y₄: CTQ2 そして CTQ3。
彼らは は 強く 相関関係にある。
もし 私たちは 持っている 小さい Y₄、 私たちは 意思 また 持っている 小さい CTQ2 そして CTQ3。
で 注文 に 持っている a より広い 範囲 の Y₄、
私たちは 決める に 追加 で 別の 因子、X₄、 で その 改善する その ハードウェア。
一緒に、 別の 二 科学的 仮説
もっている された 提案された による その 私たちは。
私たちは 持っている 収集された データ の上 その 新しい ハードウェア
そして 比較する その Y₄ 分布 で 二 ハードウェア。
で その ベースライン ハードウェア、 それなし X₄ , 私たちは 持っている 収集された データ 直交的に
そして と ある 範囲 のために それぞれ 要素。
これ は その 分布 の その Y₄ 下 これら 貢献。
と その 改善された ハードウェア、 と その X ₄ 紹介された、
私たちは 持っている 収集された データ で その 同じ 範囲 の X ₁, X ₂, そして X ₃.
これ 時間、 Y₄ a 違う X ₄, もっている また された 収集されました。
比較する その 二 分布、 私たちは できる 見る それ X₄なし ,
私たちは のみ 見る 1つ クラスタ Yの場合 ₄, と その ピーク 価値 もっと よりも ゼロ。
しかし、 と その X₄ 紹介された、
私たちは できる 観察する 二峰性 分布 のために Y₄、
と 1つ ピーク と 平均 もっと よりも ゼロ、 そして 別の ピーク と 平均 少ない よりも ゼロ。
その プロセス 状態 作る Y ₄ 少ない よりも ゼロ
実は 引き分け 私たちの 注意。
下 これら プロセス 条件、 私たちは 意思 持っている ネガティブ プロセス、
そして これ 5月 ヘルプ 私たち に 改善する CTQ2およびCTQ3、
しかし選択する それ プロセス もし 私たちは できない 会う 全て CTQ で 1つ プロセス のみ、
なぜなら ニューラル プロセス 利点 CTQ2と CTQ3。
私たちは した a 単純 画面 の 加工済み 条件
いつ 私たちは 持っている 否定的な プロセス、 そして これ 鉛 私たち に a ある 範囲 の X₄。
それは なぜ 私たちは より多くのデータを収集する a で これ 範囲、
なぜなら その 私たちの 状態 の 興味。
今、 私たちは 結論する それ その X₄ した インパクト の上 Y ₄,
そして したがって、 それ できる インパクト の上 CTQ2 そして CTQ3。
今、 私たちは できる さらに遠く と インパクト の X₄ の上 CTQ1、
そして 建てる 別の モデル のために その 改善された ハードウェア。
前 その データ コレクション、
私たちは 持っている 事前審査済み その 条件 の 興味
使用して その 相互の作用 グラフ で ジャンプ。
私たちは 意思 集める もっと データ と ある 範囲 の X₄、
なぜなら これ X₄ 実は できる 与える 私たち その ネガティブ Y₄ 価値。
それ また カバー ほとんど 範囲 の Y ₄。
として 私たちは できる 見る ここ、 前に その データ コレクション、
として 何 私たちは できる 見る ここ、
これ は ない その ほとんど 直交 構造、
以来 私たちは 持っている 収集された もっと データ で その 条件 の 興味、
平 けれど 後 やっている a デザイン 評価、
私たちは 探す a 低い と 創設 リスク。
その データ 構造 は まだ 良い のために モデリング。
これ は その モデル 私たちは 建設されました。
として 何 私たちは できる 見る ここ、 私たちは 持っている 一つの 十分な モデル。
のみ 要素 と その p 価値 少ない よりも 0.05、
または 何 含まれる で その モデル。
その RS 何故ですか もっと よりも 0.8。
その 違い 間 その R 四角 調整済み
そして R 四角 は 少ない よりも 10 %.
その p 価値 のために その 全体 モデル は いつも 少ない よりも 0.0 01.
また、 を通して その 交流 プロフィール、 その 仮説 1から4 もっている された 検証済み。
これ 時間、 できる 私たちは 探す どれでも 最適化された 解決？
また、 私たちは 走る 望ましさ 関数。
その 左 側 は その 最適化された 解決 提供された と その ベースライン ハードウェア
前に その X₄ 分割払い、
そして その 右 側 は その 最適化された 解決
と その 改善する dハードウェア と X₄ 分割払い。
として 何 私たちは できる 見る ここ、 比較すると と その ベースライン ハードウェア、
改善する d ハードウェア した 提供する 一つの 最適化された 解決
と より高い 望ましさ そして 改善する その 結果 のために それぞれ C 素晴らしい。
しかし、 その 望ましさ は まだ 低い、 どれの は のみ 0.27。
ない 全て CTQが出会う その 成功 基準 で 1つ ステップ。
それで 私たちは まだ した ない 探す それ 十分な 解決
で ワンステップ プロセス のために その プロジェクト。
しかし、 しかし として 何 私たちは 言及された 以前、
以来 私たちは 持っている a クラスタ の その プロセス 条件、
許可する 私たち 二 ネガティブ プロセス と その Y ₄以下 よりも ゼロ。
私たちは できる 提案する a 潜在的 解決 と 二- ステップ プロセス。
その 解決 と 二- ステップ プロセス 5月 ない なれ それ 率直です。
として 私たちは 知る、 もし 私たちは できる 探す その 最適化された 解決 で 1つ ステップ、
全て 私たちは 必要 に する は ただ に ラウンド その プロセス で その 条件、
与える その 最大化 望ましさ。
その 結果 意思 なれ 予測可能な 以来 私たちは 持っている a 知られている モデル のために それ。
今 私たちは 欲しい に 持っている a 二- ステップ プロセス。
のために それぞれ ステップ、 私たちは 持っている 知られている モデル、
そしてもし その プロセス 状態 は 決定した。
しかし、 期限 に その 違う プロセス 間隔 のために それぞれ ステップ、
私たちは 意思 持っている a 新しい モデル のために その ファイナル 結果。
で これ 新しい モデル、 私たちは 意思 持っている 九 変数 で 合計：
X ₁ に X₄ のために それぞれ ステップ、 そして 期間 のために それぞれ ステップ。
今、 その 質問 は、
どうやって は 私たちは 行く に 探す a ちゃんとした 解決 のために その 二- ステップ プロセスですか?
私たちは 得た 二 戦略。
その 最初のもの は に する a 性分化疾患 モデリング のために その 九 変数。
で これ 場合、 私たちは 意思 必要 に 持っている 少なくとも 25 走る のために その 初公判。
の コース、 私たちは 意思 持っている 直交 データ 構造。
RS M モデル できる なれ 建設された、 しかし その 料金 意思 なれ とても 高い。
その 他の 戦略 は に 画面 デザイン
と その グループ 直交 過飽和 デザイン 初め、
どれの は その ゴス デザイン。
で これ 場合、 私たちは できる 画面 その インパクト の セブン 変数 と 六 走る。
これ は なぜ その 素晴らしい- 飽和状態。
私たちは 持っている もっと 変数 よりも その データ ポイント。
の コース、 私たちは 意思 必要 に 画面 外 二 変数
前に その ゴス、
そして 私たちは 使用 その 相互の作用 グラフ また で これ 場合、
そして その 詳細 意思 なれ レビュー済み による その 次 スライド。
その ゴス デザイン 提供する
二 独立した ブロック のために それぞれ プロセスステップ。
そこには は いいえ 相互作用 間 その 要因 横切って ブロック。
その データ 構造 は それぞれ直交する ブロック、
作る それ 可能 に 画面 効果 と その 過飽和 データ コレクション。
しかし、 これ ゴス 意思 見せる その インパクト の 主要 効果 のみ、
そして いいえ 交流 意思 なれ 考慮された。
これ は a 低い- 料金 アプローチ、 そして 私たちは 管理 さらに遠く DOE デザイン。
その フォローアップDOE できる なれ DSD、増強、 または OFAT。
それぞれ の これら もっている その 自分の 長所と短所、
そして それ 意思 ない なれ 覆われた で これ プレゼンテーション。
とにかく、 に 保存 その 料金、 私たちは 決める に 進む と 戦略 2.
私たちは 始める と ゴス デザイン。
として 私たちは 話し合う エド 今、 私たちは 持っている 九 違う 変数。
しかし、 で その ゴス、 私たちは できる のみ含む セブン 変数。
で 注文 に 狭い 下 その パラメータ のために その ゴス デザイン、
私たちは した a 単純 画面 と その 相互の作用 グラフ。
のために ステップ 1、 私たちは 選ぶ その プロセス 条件、
許可する 私たち に 持っている a 良い CTQ2。
後 スクリーニング、
私たちは 決める に 修理 X₂ で これ 場合、 ベース の上 その 前の 学ぶ。
として 見た ここ、 いつ その CTQ1 は もっと よりも 0.5、
全て 私たちは 持っている は a ポジティブ プロセス と その Y₄ のために もっと よりも 20 %.
したがって で これ 場合、 のために ステップ 2、 私たちは プロセスを選択 条件、
許可する 私たち に 持っている その Y ₄ 少ない よりも -0.5 だから私たちは できる 持っている a ネガティブ プロセス。
で これ 場合、 追加する 二 手順 一緒に、 その 最終Y ₄は なれ より近い に ゼロ。
これ 方法 できる 改善する で CTQ2 そして CTQ3。
後 スクリーニング、 私たちは 決める に 修理 X₁ のために これ ステップ、
ベース の上 その 前の 学ぶ。
後 データ コレクション、
私たちは した a ステップ 賢明な適合 と 主要 効果 のみ、
以来 で その ゴス、 として 私たちは 言及された 以前、
のみ 主要 効果 は 考慮された。
全て 三つ CTQ 検証済み その モデル と その p値 少ない よりも 0.05、
そして その RS なぜ 調整済み その周り 0.8、 そして VIF 少ない よりも 5.
後 最大化する その 望ましさ、
その モデル 提供する 私たち と 一つの 最適化された 解決
と 望ましさ もっと よりも 0.96、 どれの は 方法 より高い よりも 0.27、
そして ない に 言及 0.02。
したがって、 私たちは できる 実は ロック その プロセス パラメータ
そして さらに遠く による 最適化された 解決 で 次 ステップ、
どれの は 私たちは 選ぶ に 使用 その 災害。
しかし これ 意思 ない なれ 覆われた ここ。
ここ、 I のように に 要約する
何 私たちは 持っている 議論した で これ プレゼンテーション。
で これ プレゼンテーション、 私たちは 持っている そして 共有 と あなた その 経験。
私たちは 使用 違う ジャンプ ツール 関与した で その データ 分析
全体を通して その DMAIC プロジェクト で 違う ステージ。
のために その ベース ライン能力 分析、 私たちは 持っている 使用済み モンテカルロシミュレーション。
私たちは また 使用済み a ゴール プロット。
のために 根- 原因 分析、 私たちは 使用済み 多変量法。
私たちは また 使用済み a グラフィック 分析。
で 注文 に ヘルプ と その DOE、
私たちは 使用済み その 拡張された DOE、 GOSS および設計診断。
で 条項 に 持っている a 良い モデル そして 予測、
私たちは 使用済み 違う フィッティング関数、 そして 私たちは また 使用済み その 予測 プロフィール。
私たちは また 使用済み その 交流 プロフィール。
それ また だった 言及された それ これら プロフィール は ない のみ 使用済み
のために その モデル そして その 予測、
しかし それ また ヘルプ 私たち に 持っている a もっと深く 理解
の その プロセス 自体。
で 注文 に 画面 外 その 条件 の 興味、
私たちは 実は 使用 その 相互の作用 グラフ、
どれの は 単純、 しかし とても 役に立つ そして 強力です。
で 注文 に する d 決定 作る、
私たちは 実は 使用 その 望ましさ 機能 ヘルプ 私たち に 作る a 決断。
それまで 今、 私たちは 共有 と あなた 私たちの 経験
の どうやって その ジャンプ できる ヘルプ 私たち に する その 分析します。
その 最後 しかし ない 少しでも、
私たちは だろう のように に 感謝 チャールズ のために 彼の メンターシップ 平行 その 進捗。
感謝 あなた。
私の パートナーの崔岳さん、
彼女は 共有 と あなた いくつかの デモンストレーション と その ジャンプ 側。
彼女 意思 ヘルプ 私たち に 示す
どうやって できる 私たちは 使用 その 相互の作用 グラフィック 分析
として 良い その 段階的に フィッティング で その ゴス モデル。
わかった、 感謝 あなた。
ありがとう、チェン・ティン。
I 考える あなた できる 見る 私の 画面 今、 右？
その まず第一に、 I だろう のように に 導入 あなた
その 相互の作用 プロット チェン・ティンは ただ 言及された。
これ は 実は 1つ の 私の 個人的 お気に入り 関数 で ジャンプ。
その 単純、 しかし その とても 強力です。
ここ、 私たちの 目的 は に 画面 何ですか その ほとんど 相対的 関数、
要因 Y₄ を基準として。
どれの 1つ 貢献する その ほとんど に Y₄、 から X₁ に X ₄?
私たちは できる 単に 選択 全て その 要素 の 興味 私たちは 欲しい ここ、
そして [OK]をクリックします。
今、 私たちは は 持つ その 分布 の 全て その 要因。
今、 として チェン・ティン もっている 言及された、 私たちは 欲しい に 知る 何 貢献する その ほとんど
に その Y₄と ネガティブ 側。
のために 例、 ここ。
それから 今、 私たちは できる 見る のみ X₄ から 13- 14, X₃ から 0- 1、
そして X₂ で これ 範囲、 2.5 -5.
また、 X ₁ で 19-20, できる 作る これ 起こる。
したがって、 その より簡単に に 与える 私たち a 範囲 の 違う 要因、
どうやって それ 意思 貢献する に Y₄、 そして どうやって だった 行く に 選ぶ その 要因
もし 私たちは 欲しい その Y₄ 達する ある レベル。
同様に、 もし 私たちは 欲しい それ に なれ わずかに より高い よりも 0 %,
私たちは できる また 単に クリック これ エリア。
実は、 に なれ とても 率直な、 に 解決する その 問題 で 1つ ショット、
私たちは ただ これらを選択 二 一緒に。
それから、 私たちは できる 見る、 わかった、 X ₄ すべき なれ で これ 範囲、
多分 10- 14.
X₃、 絶対に すべき 集中 で 0-1。
X₂ は a わずかに より広い 分布。
X ₁, oがあります のみ 2つのc アンディデート のために これ 方向。
から これ 1つ、 私たちは できる 簡単に そして 直感的に 探す
その 貢献 要因 私たちは 欲しい。
これ は その 最初の機能 I だろう のように に 示す に あなた、
その 分布 関数。
そこには は 多くの 他の もの その 分布 関数 できる する、
含む 見る その データ 分布 そして テスト a 多く の もの、
[聞き取れない 00:24:49] テスト , 等々。
それで I しません 来る で ここ。
その 2番 もの I 欲しい に 共有 と あなた は その ゴス。
それは 実は その GOSSフィット 段階的に。
今、 私たちは は 持つ 三つ CTQ。
全て その CTQ、 その 分析 対話 は 開ける ここ。
のために 全て その 三つ、 彼らは 持っている 別 分析 対話。
に する a とても 率直な 方法、 私たちは ただ その コントロール そして クリック 行く。
それ 意思 選択 その 要因 のために 全て 三つ C TQと 一度。
とても 率直です。
これら 三つ 意思 使用 その 同じ 停止 ルール、
どれの は その 最小BI C.
それから、 さあ 実行Mをクリック モデル。
これ フィット モデル 意思 与える 私たち 私たちの フィッティング 別途 のために C TQ1、2、3。
それから、 私たちは 必要 に 修正する その モデル または 減らす その モデル 1つ による 1つ。
ここ、 私たちの 基準 は に 選ぶ その p 価値 より低い よりも 0. 05.
私たちは 定義する それ 価値。
いつ その p値 より低い よりも 5 %, その 要素 は 重要な。
ここ、 私たちは できる 取り除く X₄ .
次 1つ、 のために C TQ2...
のために CTQ1、 私たちは は 下 ここ。
のために CTQ2、 私たちは できる 取り除く X ₁ そして X2 .
わかった、 今 私たちは は 持つ 両方 より低い 0.05 より小さい。
X₃の場合、w e また できる する その 同じ もの それに応じて。
さあ 動く X₄ 最初 .
全て その 三つ 要因、 p 価値が低い 0.05 より小さい。
私たちは 持っている 得る その 減少 モデル。
ここ で その 底、 私たちは 意思 持っている a 予測 プロファイラー。
もし あなた しない 持っている それ、 私たちは できる 追加 それ から その プロファイラー 関数。
それから、 私たちは だろう のように に 探す その 最適 状態。
どうやって 私たちは は 行く に する それ？
私たちは は 行く に 使用 その 望ましさ関数。
最初のステップ、 私たちは 意思 いつも なれ セット その 望ましさ、
どれの は すでに セット ここ。
私たちは 持っている 1つ 自分 ta-gate to 最小化します。
それから、 さあ 使用 その 最大 望ましさ 関数。
H また、 私たちは できる 探す 私たちの 最適 状態。
もし 私たちは 使用 最大化して 覚えて、 ここ は 私たちの 最適 状態。
それから、 私たちは できる 使用 これ 状態 に 走る その プロセス
そして 有効 食べた 順序 また。
これら は 二 機能 私は のように に 導入 あなた。
わかった、 感謝 あなた。
ありがとう。
