Encontrar el modelo óptimo al analizar datos experimentales multifactoriales con el mismo número de repeticiones es difícil porque todos los factores, incluidas las interacciones, son ortogonales entre sí. Puede salirse con la suya simplemente agrupando. Sin embargo, si hay covariables que deben tenerse en cuenta, no es posible crear una tabla de análisis de varianza descomponiendo la suma de cuadrados. Miyagawa (2008), ``Science of Problem Discovery and Solution - Fundamentals of SQC'' incluye un ejemplo de análisis de datos experimentales de tres factores que incluyen covariables, que consiste principalmente en un diagrama de dispersión estratificado superpuesto con una línea de regresión. Se muestran los resultados del análisis de regresión utilizando variables ficticias. Miyagawa enfatiza que la inferencia basada en estimaciones de parámetros de regresión no es fácil y que nada supera a una estratificación cuidadosa en un diagrama de dispersión. Por lo tanto, después de seleccionar variables que incluyen interacciones usando el ``método paso a paso'' en el ``Ajuste del modelo'' de JMP, utilizamos el ``Perfil de predicción'' y el ``Perfil de interacción'' usando el ``Método de mínimos cuadrados estándar''. , y luego utilizó el ``Gráfico. Este artículo presenta un método de resolución de problemas integral y multifacético conectado a un diagrama de dispersión estratificado similar a una cuadrícula usando "Builder". Además, además del trazado JMP, también mostraremos cómo crear diagramas de dispersión necesarios para la resolución de problemas usando Excel.
