Recording Experimenters' Club Q1 2026Video 1: JMPs DOE-Plattform: Eine neue Ergänzung zum Werkzeugkasten des Künstlers
Lesen Sie den Blogbeitrag von @BillFish828 hier: https://community.jmp.com/t5/JMP-Blog/JMP-s-DOE-platform-A-new-addition-to-the-artist-s-toolkit/ba-p/919860
Frage: Worin besteht der Unterschied zwischen dem Taguchi-Design und einem orthogonalen Array?
MOLS ist eine balancierte fraktionelle faktorielle Versuchsplanungsmatrix, die die Unabhängigkeit der Faktoren gewährleistet, während ein Taguchi-Versuchsplan diese Matrizen nutzt, um das Signal-Rausch-Verhältnis (SNR) zu optimieren und so die Robustheit zu erhöhen.
Video 2: Warum randomisieren, wenn n=1
Kommentar: Mir ging es weniger um den Trend an sich, sondern vielmehr um einen nicht identifizierbaren Effekt, also etwas, das man vor dem Experiment wirklich nicht wusste. Ich empfehle daher, mit so vielen Einflussfaktoren wie möglich zu beginnen, auch mit einigen abwegigen, um die relevanten Faktoren auszuwählen, und anschließend, wenn möglich, jeden nicht berücksichtigten Faktor zu beobachten.
Video 3: Detaillierte Analyse von Versuchsplanungsmethoden wie z. B. Response Surfaces (RS)
Betreff: Recording Experimenters' Club Q1 2026Vielen Dank für die Aufnahmen, @maria_astals !
Zum Thema Randomisierung stimme ich der Auffassung, dass deren Zweck darin besteht, zeitliche Trends in der Reaktion zu vermeiden, nicht vollständig zu. Randomisierung dient vielmehr dazu, Verzerrungen im Experiment durch den Einfluss unbekannter und unkontrollierbarer Faktoren auszuschließen. Sie wird eingesetzt, um eine Vermischung von Behandlungseffekten und anderen unbekannten Effekten (Scheinkorrelationen) zu vermeiden.
Je nachdem, wie die Experimente randomisiert werden, kann die Robustheit des Versuchsdesigns gegenüber der Zeit mehr oder weniger effektiv sein. Einige bessere Optionen (abhängig davon, wie bekannt und kontrollierbar die Störfaktoren sind) sind:
- Die tatsächliche Reihenfolge der Durchläufe wird erfasst und als Kovariate im Modell verwendet, um deren statistische Signifikanz und praktische Bedeutung zu bewerten (wiederum eine „Post-mortem“-Analyse, um zu beurteilen, ob die Reihenfolge der Durchläufe einen Einfluss haben könnte) für einen bekannten und unkontrollierbaren Störfaktor.
- Wie @statman bereits erwähnte, werden durch die Blockbildung die Faktorwerte zwischen den Blöcken so homogen wie möglich ausgeglichen, um bekannte und kontrollierbare Störeffekte zu reduzieren oder sogar aufzuheben. Bei der Blockbildung werden ähnliche Läufe in verschiedene Blöcke/Laufgruppen eingeteilt: unterschiedliche Bediener, Geräte/Maschinen, mögliche Unterschiede zwischen Tagen, Wochen usw.
- Konzipieren Sie das Versuchsdesign (DoE) von Anfang an unter Berücksichtigung dieser möglichen Zeitabhängigkeit, indem Sie die Zeit als Kovariate verwenden, um die Faktorstufen über die Zeit auszugleichen. @bradleyjones hat einen sehr guten Artikel darüber geschrieben, wie man ein gegenüber Zeittrends robustes Design erstellt: Wie man ein gegenüber einem linearen Zeittrend robustes Versuchsdesign erstellt
Hier sehen Sie eine Anwendung: Kovariaten in definierter Reihenfolge in einem benutzerdefinierten Design
Die Verwendung der Zeit als Kovariate zur Erstellung eines robusten Zeittrend-Designs wird in dem Buch „Optimal Designs of Experiments : A Case Study Approach“ von Peter Goos und Bradley Jones (Kapitel 9: Experimental Design in the presence of covariates) erläutert.
Ich würde mir wegen eines einzelnen Ausreißer-/Anomaliewertes keine allzu großen Sorgen machen, DoE sind konstruktionsbedingt weniger empfindlich gegenüber wenigen Ausreißern als OFAT oder andere ähnliche Methoden.
Ich freue mich darauf, beim nächsten Mal dabei zu sein!
