Was hat Sie zu dieser Wunschliste inspiriert?
Wenn ich ein 2x2x2-faktorielles Design mit 2 Replikaten (insgesamt 16 Durchläufe) erstelle und das reduzierte Modell mit den Faktoreffekten A, C und AC ausführe, erwarte ich, dass ich die Ergebnisse des Lack-of-Fit-Tests erhalte, da ich in diesem Fall 8 reine Fehlerfreiheitsgrade habe und die verbleibenden 4 Freiheitsgrade für den Lack-of-Fit-Test verwendet werden können. Aber wenn ich das Modell tatsächlich ausführe, aktiviert JMP den Lack-of-Fit-Bericht nicht.
Dies liegt daran, dass JMP die Spalte B vollständig ignoriert und das Modell mit A, C und AC als vollständiges Modell mit zwei Faktoren A und C erkennt. In Bezug auf die drei Faktoren A, B und C ist es jedoch kein echtes vollständiges Modell.
Welche Verbesserung würden Sie gerne sehen?
Ich schlage vor, dass JMP die Informationen zu den in den Daten (nicht im Modell) enthaltenen Faktoren speichert und diese zur Bereitstellung eines LoF-Berichts verwendet.
Warum ist diese Idee wichtig?
Angenommen, ein Benutzer hat ein erstes Modell mit allen möglichen Termen in einem faktoriellen Design mit drei Faktoren erstellt. Durch Untersuchen des Effektzusammenfassungsfensters kann der Benutzer einige unnötige Terme nacheinander entfernen. Wenn ein Term entfernt wird, möchte der Benutzer dies möglicherweise bestätigen, indem er den LoF-Bericht überprüft. Derzeit wird jedoch kein LoF bereitgestellt, wenn alle Terme, die einen bestimmten Faktor betreffen, eliminiert werden.
Dies ist wahrscheinlich nicht nur auf zweistufige experimentelle Daten beschränkt; dasselbe könnte meiner Meinung nach mit allen allgemeinen Datensätzen passieren.
Vielen Dank für Ihren Beitrag, Kangwon. Die Plattform verhält sich erwartungsgemäß, da die LOF-Berechnung auf der Art und Weise basiert, wie sie berechnet wird. Das „vollständige Modell“ bezieht sich auf die im Dialogfeld „Modelleffekte“ angegebenen Terme. Wenn Sie das Modell mit den Effekten A, C und AC angeben, haben Sie ein vollständiges Modell definiert. Das Modell wird weiterhin mit allen Daten angepasst (d. h. alle 16 Datenzeilen werden verwendet). In Ihrem beigefügten Versuchsplan sind nur faktorielle Versuchspunkte (repliziert) ohne Mittelpunkte vorhanden. Würden Sie replizierte Mittelpunkte in den Versuchsplan aufnehmen, würden Sie LOF generieren, die auch bei Anpassung eines vollständigen Modells auf quadratische Krümmung testen könnten. Mit nur replizierten faktoriellen Versuchspunkten und ohne Mittelpunkte generieren Sie LOF nur dann, wenn ein reduziertes Modell angepasst wird. Dieses prüft dann, ob Interaktionen erforderlich sind. Ich hoffe, diese Erklärung war hilfreich. Vielen Dank!
