Überlegungen zu Daten für Definitiven Screening-Versuchsplan analysieren

Befolgen Sie beim Erfassen von Daten, Durchführen der Analyse und Interpretieren der Ergebnisse die folgenden Richtlinien, um sicherzustellen, dass die Ergebnisse gültig sind.

Sie müssen in Minitab einen Screening-Versuchsplan erstellt oder definiert haben

Ein Versuchsplan in Minitab muss mindestens zwei Faktoren enthalten, die entweder stetig oder kategorial sind.

• Wenn lediglich ein kategorialer Faktor vorliegt und keine stetigen Prädiktoren vorhanden sind, verwenden Sie Einfache ANOVA.
• Wenn Sie über einen stetigen Faktor verfügen, verwenden Sie Darstellung der Anpassungslinie.

Die Antwortvariable sollte stetig sein

Wenn die Antwortvariable kategorial ist, besteht eine geringere Wahrscheinlichkeit, dass das Modell die Annahmen der Analyse erfüllt, die vorliegenden Daten genau beschreibt oder eine Grundlage für nützliche Prognosen darstellt.

• Wenn die Antwortvariable zwei Kategorien aufweist, verwenden Sie Binäre Antwort für definitiven Screening-Versuchsplan analysieren.
• Wenn mit der Antwortvariablen Ereignishäufigkeiten gezählt werden, z. B. die Anzahl der Fehler, verwenden Sie Poisson-Modell anpassen.

Vergewissern Sie sich, dass das Messsystem zuverlässige Daten der Antwortvariablen liefert

Wenn die Streuung im Messsystem zu groß ist, reicht die Trennschärfe des Experiments u. U. nicht aus, um wichtige Effekte zu ermitteln.

Jede Beobachtung sollte unabhängig von allen anderen Beobachtungen sein

Wenn die einzelnen Beobachtungen voneinander abhängen, sind Ihre Ergebnisse möglicherweise ungültig. Untersuchen Sie die folgenden Aspekte, um festzustellen, ob die Beobachtungen unabhängig sind:

• Wenn eine Beobachtung keine Informationen über den Wert einer anderen Beobachtung liefert, sind die Beobachtungen unabhängig.
• Wenn eine Beobachtung Informationen über den Wert einer anderen Beobachtung liefert, sind die Beobachtungen voneinander abhängig.

Die experimentellen Durchläufe sollten randomisiert werden

Durch die Randomisierung wird die Wahrscheinlichkeit reduziert, dass sich nicht kontrollierte Bedingungen auf die Ergebnisse auswirken. Die Randomisierung ermöglicht es Ihnen auch, die inhärente Streuung von Materialien und Bedingungen zu schätzen, so dass Sie gültige statistische Schlussfolgerungen auf der Grundlage der Daten aus dem Experiment ziehen können.

Gelegentlich kann die Randomisierung auch zu einer unerwünschten Durchlaufreihenfolge führen. So können Wechsel der Faktorstufen beispielsweise schwierig oder kostspielig sein, oder es kann sehr lange dauern, bis sich der Prozess nach einem Wechsel wieder stabilisiert. Unter diesen Umständen empfiehlt es sich möglicherweise, eine Randomisierung mit einem Split-Plot-Design auszuführen, um die Anzahl der Stufenwechsel zu minimieren.

Orientieren Sie sich bei der Datenerfassung an optimalen Vorgehensweisen

Befolgen Sie die folgenden Richtlinien, um sicherzustellen, dass Sie gültige Ergebnisse erhalten:

• Vergewissern Sie sich, dass die Daten repräsentativ für die Grundgesamtheit von Interesse sind.
• Erfassen Sie eine ausreichende Datenmenge, um die notwendige Präzision zu erzielen.
• Zeichnen Sie die Daten in der Reihenfolge auf, in der sie erfasst wurden.

Das Modell sollte gut an die Daten angepasst sein

Wenn das Modell nicht gut an die Daten angepasst ist, können die Ergebnisse irreführend sein. Bestimmen Sie anhand der Residuendiagramme, der Bewertungsstatistiken für ungewöhnliche Beobachtungen und der zusammenfassenden Statistiken zum Modell in der Ausgabe, wie gut das Modell an die Daten angepasst ist.