Bonjour. Mon nom est Bradley Jones. I plomb le équipe de DoE et fiabilité dans JMP, et I vouloir à parler à toi aujourd'hui à propos a famille de orthogonal principal effets dépistage dessins pour mixte niveau facteurs. Ce est a sujet lequel Je suis vraiment excité à propos de. Nous avons juste soumis a révision à le papier pour ce et Je suis en espérant que il volonté obtenir accepté donc nous peut inclure il le long de avec définitive dépistage dessins dans le Plateformes du DoE dans JMP. L et obtenir commencé.
Mon collaborateurs pour ce travail sont Chris Nachtsheim, qui est a Professeur à le Université de Minnesota Carlson École de Entreprise, et Ryan Lekivetz, qui est a membre de mon Équipe du ministère de l'Éducation à JMP.
Voici mon ordre du jour. Je suis en allant à commencer avec a petit peu de histoire et quelques technique préliminaires. Alors Je suis en allant à décrire trois différent constructions pour ces orthogonal mixte niveau dépistage dessins. T ici sont trois différent manières que nous peut faire eux.
Je vais montrer toi le JMP scripts langue pour création ces conception ensembles. Que volonté seulement être nécessaire jusqu'à nous peut obtenir eux construit dans JMP elle-même. Alors Je vais dépenser a petit peu de temps regarder à le conception propriétés pour dessins construit sous ces trois méthodes. Je vais discuter données analyse pour ces dessins et montrer un exemple dans JMP, et alors Je vais faire a résumé et quelques recommandations à le fin. Allons-y commencer avec quelques histoire et motivation.
Le d'abord dépistage dessins étaient fractionnaire factorielle dessins comme appartement dessins, ou non régulier fractionnaire factorielle dessins ou régulier fractionnaire factorielle dessins. Pour ces dessins, chaque facteur était à deux niveaux seulement. Dans ingénieurs que I avoir parlé à avoir feutre inconfortable à propos ces dessins parce que ils feutre que le monde tend à être non linéaire et deux niveaux juste n'est pas suffisant à capturer non-linéarité dans le effet de a facteur dans a réponse.
Alors dans 2011, définitive dépistage dessins arrivé et ici tous le facteurs étaient supposé à être continu et chaque facteur était à trois niveaux, lequel permet toi à ajuster courbes à le relation entre facteurs et réponses. A t le bas là est le citation pour ou le référence pour le papier que d'abord introduit ces dessins dans 2011.
Maintenant, là sont quelques avantages pour notre initial mise en œuvre de DSD et aussi quelques inconvénients. Allons-y aller à travers le avantages d'abord. Le avantages sont que à moins dans notre original mise en œuvre, six facteur, huit facteur et facteur 10 définitive écran dessins avait orthogonal principal effets, mais nous étaient incapable à obtenir orthogonal principal effets pour plus facteurs. Il tours dehors que a année plus tard, quelqu'un publié a bon chemin de obtenir orthogonal dessins pour définitive dépistage expériences pour chaque même nombre de facteurs pour lequel conférence matrices étaient disponible. Que était a grand avance.
Un autre bien chose à propos DSD est que le principal les effets sont orthogonal deux- facteur interactions donc que le estimation de a principal effet volonté jamais être biaisé par n'importe lequel actif deux- facteur interaction.
Le vraiment passionnant aspect à propos DSD est que tous le quadratique effets étaient estimable, lequel est jamais possible avec dépistage dessins. Même avec points centraux, toi peut détecter que là est a non linéaire effet, toi juste ne le faites pas savoir où c'est à venir depuis.
Alors enfin, dans DSD, si là sont six facteurs ou plus, et seulement trois de le facteurs tourner dehors à être important, alors à le même temps toi faire dépistage, toi peut aussi faire réponse surface optimisation. Toi pourrait peut être obtenir, si tu es chanceux, a dépistage conception et a réponse surface conception t o optimiser a processus dans un tir. Toi avoir à être chanceux, de cours, toi avoir à avoir trois ou moins actif effets ou facteurs.
Le inconvénients de le initial mise en œuvre de définitive dépistage dessins est que d'abord, ils ne pouvait pas accommoder catégorique facteurs. Deuxièmement, ils ne pouvait pas accommoder n'importe lequel blocage. Troisièmement, quelques chercheurs avoir pointu dehors que pour détection petit quadratique effets, que est, quadratique effets où le taille de le effet est à propos le même commande comme le erreur standard déviation, là est faible pouvoir pour ces estimations, détection eux avec succès. De cours, si le quadratique effet est grand, alors de cours toi peut détecter il, en particulier si c'est trois fois comme grand comme le norme d'erreur déviation.
Maintenant, après le original publication de DSD, nous étaient Bien conscient que il était a problème que nous ne pouvait pas accommoder deux niveau catégorique facteurs. Donc nous a écrit a nouveau papier dans Journal de Qualité Technologie dans 2013 que a montré comment à intégrer 2- niveau catégorique facteurs.
Alors dans 2016, nous a écrit un autre papier dans technométrie que a montré comment à bloc définitive écran dessins en utilisant orthogonal blocs, blocs que sont orthogonal à le facteurs. W e étaient en essayant étape- par- étape à adresse le inconvénients que étaient associé avec original mise en œuvre de ce méthodologie. Un autre chose que nous remarqué était que personnes étaient ayant a petit peu de inquiéter connaissance comment à analyser définitive dépistage dessins. Nous inventé un analyse technique que était basé sur notre compréhension de le structure de a DSD. Il a pris particulier avantage de le spécial structure de a DSD à faire le analyse sensible à que structure. Plutôt que en essayant à utiliser quelques générique modèle sélection outil comme étape par étape ou lasso ou un de ceux.
Ce fait il possible pour a non-expert dans modèle sélection à utiliser ce dehors de le boîte automatisé technique pour analyser a définitive dépistage conception. Que était dans 2017, mais il y a toujours problèmes.
D'abord, nous a fait écrire que papier que ajouté catégorique facteurs à a DSD, mais si toi avait plus que trois, le qualité de le conception est allé vers le bas, et que était indésirable. Dans fait, si toi avait aussi beaucoup catégorique facteurs, des choses n'a pas regarder bien à tous. Que était un problème. A gagner, quadratique effets avoir a été pointu dehors à avoir faible pouvoir si ils sont petit. Le but de ce parler est à introduire a nouveau famille de dessins que adresses ces problèmes. H aussi nous aller.
D'abord, I avoir à faire quelques technique préliminaires à expliquer quoi nous besoin à avoir le capacité à faire dans commande à construire ces dessins. Je suis en allant à commencer dehors par parler à propos conférence matrices. Le conférence matrice est le outil que le deuxième papier que discuté DSD dans 2012 et introduit tous le orthogonal DSD pour douze facteurs, 14 facteurs, 16 facteurs, et donc sur. Ils utiliser conférence matrices à faire que arriver.
I besoin à montrer toi quoi a conférence matrice est. Toi peut voir ici, conférence matrice, que est quatre facteurs avec quatre court, et là sont zéros sur le diagonale éléments et ceux et moins ceux désactivé le diagonale. T il cool chose à propos a conférence matrice est que si toi multiplier le transposer de conférence matrice avec le conférence matrice, toi obtenir un identité matrice fois le un moins le nombre de rangées dans le conception. I c'est un orthogonal conception.
Maintenant, conférence matrices exister quand le nombre de rangées et colonnes est égal. Ils sont carré matrices et ils seulement exister quand le nombre de rangées et colonnes est un même nombre. Il y a a conférence matrice pour chaque même nombre de rangées et colonnes depuis deux rangées ou et deux colonnes à 30 rangées et 30 colonnes, sauf pour le cas où le nombre de rangées et colonnes est 22. C'est en fait a été éprouvé que le cas où là sont 2 2 rangées et 2 colonnes ns, le conférence matrice a a été éprouvé pas à exister. Donc il y a Non chemin à construction un, malheureusement, bien que I ne peut pas prouver que résultat moi-même.
D'accord, le suivant chose I besoin à parler à propos est quelque chose appelé a Produit Kronecker, lequel utilisations que circulaire symbole avec un X dans le milieu de il, donc que quand toi voir que dans un équation, il moyens toi vouloir à faire a Kronecker produit. Le Produit Kronecker est aussi appelé a direct produit, et dans fait, JMP scripts langues, langue JSL fait Produits Kronecker de matrices en utilisant le direct produit commande, pas le Kronecker produit commande.
Le Produit Kronecker de a vecteur un empilé sur haut de négatif un avec a conférence matrice piles C sur haut de négatif C comme ci-dessous. Quoi le Kronecker produit fait est pour chaque élément dans le d'abord matrice, il remplaçants que élément fois le deuxième matrice. Donc un fois le conférence matrice est juste le conférence matrice, et négatif un fois le conférence matrice est négatif de le conférence matrice.
Essentiellement, a Kronecker produit de un moins un avec a conférence matrice juste piles le conférence matrice sur haut de elle-même. Donc voici a cas où I a fait juste que. Toi avoir a quatre par quatre conférence matrice sur haut de c'est pli , lequel est aussi quatre par quatre, et si toi étaient à ajouter a rangée zéro, tu ferais avoir a quatre facteur définitive dépistage conception.
Conférence matrices sont utile, Produits Kronecker sont aussi très utile pour construire dessins, comme il tours dehors. I avoir a peu plus préliminaires à aller sur. Laisser moi parler a petit peu à propos Matrices d'Hadamard. matrices d'Hadamard sont aussi carré matrices, mais ils sont construit de ceux et moins ceux. Nous avoir matrices d'Hadamard construit dans JMP pour chaque multiple de quatre courses ou quatre rangées et quatre colonnes en haut à 668 rangées et 668 colonnes. Donc chaque multiple de quatre, nous peut soutien a Hadamard matrice.
Que Bien connu. dessins Hadamard sont le Plackett–Burman dessins et le deux niveau fractionnaire factorielle dessins. Ces sont les deux Matrices d'Hadamard. Hadamard était a Français mathématicien OMS vécu dans le en retard 19e siècle, et il inventé ce idée. I f J'avais ma matrice comme m rangées, c'est transposé fois elle-même. Est m fois le identité matrice.
T a moyens le Hadamard matrice est orthogonal, nombre un, et nombre deux, il a le le plus grand possible information à propos le rangées et le colonnes dans le matrice c'est possible, donné que tu es en utilisant Nombres entre négatif un et un. Ils sont très précieux outils pour construire dessins.
Maintenant nous avoir tout que nous besoin à montrer comment à construction ces nouveau dessins. Nous appel eux orthogonal mélanger niveau dessins ou OML. Ils sont mixte niveau parce que moitié de le colonnes ou moitié de le facteurs sont trois niveaux. Donc, le trois niveau continu facteurs et moitié de le colonnes ou facteurs sont deux niveaux, et ils sont pour catégorique facteurs ou pour continu facteurs pour lequel étaient pas inquiet à propos non linéaire effets.
Voici le d'abord méthode pour construire un de notre OML. Si C sous K est a k par k conférence matrice et H sous 2k est a 2k Hadamard matrice, donc H sous 2K est a matrice d'Hadamard lequel a deux fois comme beaucoup rangées et colonnes comme le conférence matrice a.
Alors si nous empiler a conférence matrice sur haut de c'est repli et alors reproduire que, nous obtenir ce matrice DD, lequel est juste C négatif C, C négatif C, tous empilé sur haut de chaque autre. DD est deux DSD empilé au-dessus de chaque autre, moins le deux centre courses que DSD normalement avoir.
Maintenant, HH est parce que DD se termine en haut ayant 4k courses parce que là sont quatre conférence matrices avec K rangées et colonnes empilé sur haut de chaque autre. Donc là sont 4k rangées dans ce conception et K colonnes. HH est juste Hatamard matrice empilé sur haut de c'est pli sur conception.
Depuis H a deux k rangées et colonnes déjà, empilement il sur haut de lui-même fait il avoir 4k rangées juste comme le DD matrice a. Il tours dehors que toi peut juste enchaîner ces deux matrices horizontalement à faire un orthogonal multiniveau conception. Le DD partie de il tous a trois niveaux par facteur. Et le HH partie de il a deux niveaux par facteur. Et toi peut voir que là sont k, trois niveau facteurs et deux k deux niveau facteurs. Par conséquent, un 4k rangée conception toi peut avoir comme beaucoup comme 3k colonnes.
Pour exemple, si ton conception K était six, tu ferais avoir 24 rangées et 18 colonnes. Six de le facteurs serait être trois niveaux et douze de eux serait être deux niveaux. Maintenant toi avoir chemin plus deux- niveau facteurs et toi n'ont pas perdu n'importe lequel de le caractéristiques de le définitive dépistage conception. Le principal effets de ce conception sont orthogonal à chaque autre.
Voici un exemple où I construit un OML depuis a 6 par 6 conférence matrice et a 12 par 12 Hadamard matrice. Toi peut voir là sont 24 rangées dans ce matrice et 18 colonnes. Le d'abord six de eux sont le six, trois- niveau colonnes, et le suivant douze sont le douze deux- niveau colonnes.
Maintenant, de cours, toi ne le faites pas besoin à utiliser chaque colonne de ce conception. Toi pourrait toujours utiliser ce conception même si toi avait dire, quatre ou cinq trois niveau facteurs et Sept deux niveau facteurs. Toi juste retirer cinq de le deux niveau facteurs et a couple de le trois niveau facteurs, et c'est trier de arbitraire lequel ceux toi pourrait retirer.
Voici le deuxième construction approche ici. C sous K est a K par K conférence matrice, et H sous K est a K par K Hadamard matrice. Maintenant étaient en allant à créer DD le même chemin nous a fait avant. DD est juste a définitive dépistage conception empilé sur haut de elle-même, moins le deux synergies. HH est a répliqué Hadamard matrice sur haut de le même Hadamard matrice plié sur deux fois.
Maintenant si toi regarder à le deux colonnes de ceux et moins ceux, toi pourrait avis que ceux deux vecteurs sont orthogonal à chaque autre. C'est quoi fait ce particulier construction vraiment, vraiment puissant. Dans ce cas, le conception a 4K rangées et seulement deux K colonnes. K de le facteurs sont à trois niveaux et K facteurs sont à deux niveaux.
Le nombre de courses dans ce conception est deux fois le nombre de colonnes. Mais c'est toujours a très efficace nombre de courses donné le nombre de facteurs. C'est le même effet de définitive dépistage dessins dans fait. Définitive dépistage dessins avoir deux fois comme beaucoup, deux fois comme beaucoup plus un courses que facteurs.
Voici un exemple créé en utilisant a 4 par 4 conférence matrice et a 4 par 4 H Adamard matrice. Quand toi empiler eux sur haut de chaque autre quatre fois, toi obtenir huit colonnes et 16 rangées. Colonnes A à travers D, toi peut voir sont trois niveaux parce que toi peut voir ceux zéros et là sont quatre zéros dans chaque colonne.
I devrait indiquer dehors que si toi avait a définitive dépistage conception, là sont seulement trois zéros dans chaque colonne. Ayant un supplémentaire zéro fait le pouvoir pour détection a quadratique effet a petit plus haut que pour le définitive projeté conception. C'est le deuxième construction méthode.
Le troisième construction méthode est très similaire à le deuxième, sauf que toi avoir deux différent manières de ajout Hadamard matrices à le exemple. Ici nous avoir le DD partie est le même comme le d'abord deux construction méthodes. Le HH partie, là sont deux HH des choses. Un avec le vecteur 1, 1 -1 , -1 , et le autre un avec le vecteur 1, -1 , -1, 1 . Le trois vecteurs que sont ceux et négatif ceux sont tous orthogonal à chaque autre. Que rendements un orthogonal principal effets conception. Dans ce cas, le troisième construction encore a 4K rangées et 3K colonnes, que est K facteurs à trois niveaux et deux K facteurs à deux niveaux.
Ceux sont le trois méthodes. Voici un exemple de que construction avec en utilisant a 4 par 4 conférence matrice et a 4 par 4 Hadamard matrice. Le résultat est a douze- colonne conception avec 16 rangées. Douze facteurs dans 16 rangées. Très efficace conception pour regarder à douze facteurs. C'est aussi orthogonal pour le principal effets. Principal effets sont orthogonal à deux- facteur interactions.
Maintenant I vouloir à montrer toi trois scripts pour création ces dessins en utilisant JSL. Dans le en attendant, avant nous baisse ce méthodologie dans JMP, toi peut créer ces dessins avec a très simple JSL scénario. Le d'abord commande est création a conférence matrice, dans ce cas conférence matrice avec six rangées et six colonnes.
Alors D est le direct produit de le vecteur 1, -1 , 1, -1 et C. Que donne toi le matrice DD que nous scie dans notre constructions. Alors huit est a Hadamard matrice avec douze rangées et douze colonnes. Avis que douze est deux fois six. Nous étaient exigeant que pour le d'abord construction, le Hadamard matrice a à avoir deux fois comme beaucoup rangées et colonnes comme le conférence matrice.
Nous faire HH par multiplication 1, -1 par en utilisant le direct produit, le Carnegie Produit Construction. Que donne toi a 24- courir HH conception. Le H chose a 24 courses et douze colonnes. Alors le dernier étape est à horizontalement enchaîner D et HH à produire ML lequel I juste raccourci, raccourci OML à ML. Alors le comme tableau commande fait a tableau dehors de que matrice.
Le OML que nous juste créé a 24 rangées et 18 colonnes. Six de le colonnes sont facteurs à trois niveaux, et douze de le facteurs sont à deux niveaux. Maintenant, le six dans le d'abord doubler peut être remplacé par huit, dix, 12, 14 en haut à 30, sauf pour 22. Le douze dans le troisième doubler doit être deux fois peu importe nombre toi mettre dans le d'abord doubler. Toi peut utiliser ce construction à créer tous types de OML dessins juste par changement le Nombres dans le d'abord et troisième colonnes.
Voici le deuxième construction méthode scénario. I commencer encore avec le conférence matrice. Ce temps Je suis faire a conférence matrice de quatre rangées et quatre colonnes. D est a direct produit de 1, -1 , 1, -1 et C. C'est le même comme avant.
Ce temps I faire H être à Hadamard de quatre plutôt de deux fois le nombre dans le d'abord doubler. I avoir à avoir a vecteur avec quatre éléments à direct produit avec H. J'utilise 1, 1, -1, -1, utiliser le chronique produit de que ou le direct produit dans JMP et JSL parler. I obtenir a conception que a 16 rangées et huit colonnes par horizontalement concaténation que double verticale doubler chose horizontalement concatène deux matrices et alors le S tableau fait le tableau dehors de il. Ce deuxième construction a 16 rangées et huit colonnes. Là sont quatre facteurs à trois niveaux et quatre facteurs à deux niveaux. Le quatre dans le d'abord et troisième lignes peut être remplacé avec n'importe lequel même nombre pour lequel a conférence matrice existe.
I besoin à correct moi-même. Le conférence matrice a à être a multiple de quatre dans commande pour ce à travail, parce que le Hadamard matrice est a multiple de quatre.
Voici le dernier construction méthode. Encore, nous avoir a conférence matrice de quatre, mais il pourrait être quatre, il pourrait être huit, ou douze ou 16. Nous faire a direct produit de ce vecteur de ceux et négatif ceux et C à obtenir le répliqué définitive dépistage conception. Ici nous créer a Hadamard matrice de quatre, mais nous avoir deux différent direct produits. Le d'abord un où étaient fabrication a chronique produit de 1, 1, -1, -1 avec H, et le deuxième un étaient fabrication a chronique produit ou direct produit de 1, -1 , -1 , 1 et H.
Ceux sont deux différent matrices et ils arriver à être orthogonal à chaque autre. Alors nous horizontalement enchaîner tous trois de ces matrices et faire a tableau depuis que. Ce conception maintenant a 16 rangées parce que c'est quatre courses dans le conférence matrice fois quatre. Toi avoir 16 rangées et douze colonnes. Là sont quatre facteurs à trois niveaux et huit facteurs à deux niveaux. Ici sont trois très facile JSL scénarios. À faire ces dessins, Je vais mettre JSL dans le... Quand il va dans le JMP communauté, Je vais ajouter le JSL. Je vais aussi ajouter plusieurs exemples de ces OML dessins que toi peut utiliser.
Maintenant I vouloir à parler à propos a petit peu à propos le propriétés de ces dessins. Ici nous voir le conception propriétés pour méthode un et le couleur carte et le corrélations spectacles que là sont Non corrélations entre n'importe lequel de le 12 facteurs dans ce ou en fait 18 facteurs dans ce conception. Le trois- niveau facteurs sont à propos 10% moins efficacement estimation que le principal effets que le deux- niveau facteurs. C'est parce que de le zéros dans chaque de ceux colonnes. Que n'a pas aide toi, le zéros ne le faites pas aide toi estimation principal effets.
Maintenant I vouloir à montrer toi le alias matrices pour ce conception construction méthode. Toi peut voir que là sont a parcelle de principal effets que sont non corrélé avec deux- facteur interactions, mais là sont aussi a parcelle de principal effets que sont corrélé avec deux- facteur interactions.
Le trois- niveau facteurs principal effets sont pas alias avec n'importe lequel de leur deux facteur interaction. Le même est aussi vrai de le deux- niveau facteurs. Leur principal effets sont pas alias avec leur deux- facteur interactions parce que les deux côtés de ce conception sont construit depuis pli- sur dessins. W e voir que il y a assez a peu de potentiel aliasing de principal effets depuis actif à deux facteurs interactions. Dans quelques sens, méthode un est a petit plus risqué à utiliser que le autre méthodes.
Ici sont le conception propriétés pour méthode deux. Toi peut voir que ici Je suis fabrication a conception que a 16 facteurs et huit colonnes, je veux dire 16 rangées f ou huit facteurs. Le trois- niveau facteurs avoir 15% plus long confiance intervalles que le deux- niveau facteurs. Encore, que est parce que ceux quatre facteurs tous avoir quatre zéros. Quatre de le 16 courses sont zéro plutôt de 1 ou -1.
Le cool chose à propos le deuxième conception construction est que aucun de le principal effets est corrélé avec n'importe lequel deux- facteur interactions. Que a beaucoup de le souhaitable effet ou caractéristiques de a définitive dépistage conception. Il y a a parcelle de orthogonalité entre paires de deux- facteur interactions, mais là sont aussi quelques corrélations. Toi peut voir ici sont quelques corrélations, ici sont quelques, et donc sur.
Enfin, le conception propriétés pour méthode trois montrer que trois- niveau facteurs sont a petit moins efficacement estimé que deux -niveau facteurs 15%, 15,5%. Nous peut voir que il y a quelques aliasing entre principal effets et deux- facteur interactions, mais pas comme beaucoup comme pour le conception construction nombre un. Dans termes de risque, ce accueille plus facteurs avec moins risque que le d'abord construction méthode.
Identifiant comme maintenant à comparer DSD à un orthogonal principal effet ou mixte- niveau conception. Toi peut faire a DSD avec huit facteurs, huit, trois- niveau facteurs, et que serait avoir 17 courses. I f toi obtenir débarrasser de le centre courir, toi serait avoir a courir c'est directement comparable avec a multi- niveau 16- courir conception que tu as vu dans conception construction aussi.
Maintenant, si nous comparer le efficacité pour estimation principal effets, le définitive dépistage conception est seulement 91% D efficace avec respect à le mixte- niveau conception, le G efficacité est 92%, le A efficacité est à peu près 90% et le I efficacité est à peu près 82%. Y ou peut voir que le fraction de le conception espace parcelle spectacles que le courbe pour le mixte- niveau conception est ci-dessous le courbe pour le définitive écran conception joli beaucoup partout. Ce conception est clairement préférable à le défendeur écran conception pour estimation principal effets à moins.
Maintenant I vouloir à parler à propos données analyse et utiliser un exemple. J'ai créé a conception en utilisant le deuxième construction et I créé a Y vecteur par ajout aléatoire normale erreurs à a spécifique fonction avec les deux principal effets et deux- facteur interactions et arrondi il à deux décimal lieux. Le vrai équation, le vrai fonction est ce un ici. Il a A, B, E et F principal effets sont tous actif et le AB, BE et SI deux- facteur interactions sont tous actif.
C'est a fonction sans erreur. I ajouté normale aléatoire erreurs avec a standard déviation de un. Quoi I utilisé était depuis ce conception peut être ajuster en utilisant le Ajuster Définitive Dépistage Conception plate-forme dans JMP, c'est quoi I utilisé. Ici toi voir que le Ajuster Définitive Dépistage Conception découvertes tous Sept réel effets et n'a pas trouver n'importe lequel faux effets. Il obtient le exact correct ensemble de effets.
Le déviation entre le vrai paramètre valeurs et le estimé paramètre valeurs sont joli petit. Pour exemple, le vrai paramètre valeur pour facteur A est 2.03 et c'est estimation est 2,45 plus ou -35. C'est un standard déviation donc c'est juste a petit peu plus que un standard déviation depuis c'est vrai valeur.
Ici que le vrai valeur de le coefficient de B est 3,88 et I obtenir 3,94, lequel est très fermer à c'est exact correct valeur. Toi peut voir pour toi-même le estimé valeur de le racine signifier quadrillé erreur est 1.2 et le vrai montant de aléatoire erreur I ajouté était exactement un. Toi peut voir encore, ce analyse procédure a vraiment choisi le exact correct analyse.
Maintenant I vouloir à faire a petit JMP démo que spectacles essentiellement le réel par prédictif parcelle que toi voir là ci-dessous. Alors ce parcelle spectacles que le résidus ne le faites pas avoir n'importe lequel indication de n'importe lequel problème comme Bien. Je suis en allant à partir PowerPoint pour a deuxième et juste aller à JMP. Voici mon données, voici le fonction avec Non erreur. I peut montrer toi que, c'est juste ce formule que I a montré toi dans le glisser.
Alors voici le données où J'ai ajouté aléatoire erreur à chaque de ces valeurs avec il. Alors quoi delta est, est le différence entre le prédiction formule de Y et le Y avec Non erreur. Ces valeurs sont comment loin nous manqué le vrai valeur de Y pour chaque indiquer.
Si I faire le Ajuster Définitive Dépistage Conception de ET, I obtenir quoi I a montré toi avant et I obtenir le correct principal effets et aussi le correct deux facteur interactions. Alors quand I combiner eux, I obtenir le correct modèle avec le correct art, très fermer à le vrai estimation de sigma.
Si I courir ce modèle en utilisant Ajuster modèle, ce est le réel par prédit parcelle I obtenir. Ce est le résiduel parcelle I obtenir. Voici le prédiction profileur que spectacles le prédictif valeur de ET. Toi peut voir que si toi regarder à le pente de le doubler de B et voir comme I changement le valeur de UN, le pente de B changements. Si I changement ce B, le pente de A changements, si I changement ET, le pente de F changements.
Ce indique interactions événement. Si I recherché à maximiser ce fonction, I serait choisir le haut valeur pour chaque de le facteurs. Alors un de le des choses I a fait était I créé a profileur que où I regarder à ce est le vrai fonction, ce est mon prédictif formule et ce est le différence entre ceux deux fonctions.
Ce est le paramètre que conduit à le le plus grand différence entre le prédictif valeur et le vrai valeur de le fonction. C'est quoi I recherché à montrer toi dans JMP et Je vais se déplacer dos à mon diapositives maintenant. Laisser moi résumer, nous avons parlé à propos définitive écran dessins avec leur avantages et inconvénients.
I alors introduit le idée de a Chroniqueur produit et a montré comment à construction ces orthogonal multiniveau dessins dans trois différent manières. I a montré toi le JSL scénarios, I commun le JSL scripts pour construire ces dessins.
Toi peut utiliser ce scénario par changement le Nombres dans le d'abord et troisième lignes à faire dessins que avec de plus en plus grand Nombres de courses. I parlé à propos le statistique propriétés de ces dessins et particulier a montré que leur orthogonalité, mais aussi dans le cas de conception construction deux, pas seulement sont ils orthogonal pour le principal effets, mais le principal effets sont orthogonal à le deux facteur interactions.
Conception construction deux seulement existe pour dessins que avoir a multiple de 16 rangées et colonnes, lequel est a léger inconvénient comparé, il y a plus flexibilité avec le autre approches. Alors enfin I a montré comment à analyser ces dessins. Laisser moi faire a couple de recommandations.
Conception construction méthode deux est le le plus sûr approche parce que de tous de le orthogonalité impliqué et le fait que le deux facteur interactions sont non corrélé avec principal effets. I pointu dehors déjà que toi ne le faites pas avoir à utiliser tous le colonnes.
Toi peut créer un de ces conçu et alors lancer loin certain colonnes dans commande à accommoder le vrai nombre de facteurs que toi avoir. Le avantage de faire que est que toi volonté aussi obtenir mieux estimations de le erreur variance.
Alors c'est important à souviens-toi que le trois niveau facteurs sont pour continu facteurs seulement. Il ne serait pas faire sens à avoir trois niveau catégorique facteurs pour ces colonnes parce que là sont loin moins zéro éléments que ceux et plus ceux.
A couple de plus des choses. Quadratique effets il tours dehors, sont légèrement mieux estimé par un orthogonal principal mixte niveau conception que a DSD. Mais si toi recherché à améliorer le quadratique effet estimation, toi pourrait ajouter deux rangées de zéros à le continu facteurs. Ceux serait être comme points centraux.
Alors pour le catégorique facteur, toi peut choisir n'importe lequel vecteur de plus ceux que a plus ceux et moins ceux dans il. Alors le autre, le deuxième rangée serait avoir juste le pli sur de le d'abord rangée dans le ceux et moins ceux. Que est tous I avoir pour toi aujourd'hui. Remercier toi très beaucoup pour ton attention.
