Sélectionner les options pour la fonction Analyser un plan de Taguchi (statique)

Stat > DOE (plan d'expériences) > Taguchi > Analyser un plan de Taguchi > Options

Sélectionnez l'objectif du rapport signal/bruit pour la réponse et déterminez si la transformation par logarithme népérien doit être utilisée pour stabiliser la variabilité des écarts types.

Rapport signal/bruit
Pour les plans statiques, vous pouvez choisir parmi les quatre rapports signal/bruit proposés. Pour plus d'informations, reportez-vous à la rubrique Qu'est-ce que le rapport signal/bruit dans un plan de Taguchi ?.
  • Préférer plus grand : sélectionnez cette option lorsque l'objectif est de maximiser la réponse.
  • Préférer nominal : sélectionnez cette option lorsque l'objectif est de cibler la réponse et de baser le rapport signal/bruit (rapports S/B) sur les écarts types uniquement.
  • Préférer nominal : sélectionnez cette option lorsque l'objectif est de cibler la réponse et de baser le rapport signal/bruit (rapport S/B) sur les moyennes et les écarts types (option par défaut).
  • Préférer plus petit : sélectionnez cette option lorsque l'objectif est de minimiser la réponse.
Utilisez le ou les ln pour toutes les sorties d'écart type
Utilisez les écarts types transformés par logarithme népérien en tant que variable de réponse dans le tableau de réponses, dans les résultats de régression/ANOVA, sur les graphiques des effets principaux et sur les diagrammes des interactions.
Pensez éventuellement à utiliser la transformation par logarithme népérien sur l'écart type pour les raisons suivantes :
  • Pour stabiliser la variabilité des écarts types.
  • Pour éviter d'obtenir des valeurs ajustées négatives, ce qui peut se produire lorsque vous utilisez des écarts types non transformés. Avec une transformation logarithmique, toutes les valeurs ajustées sont positives, ce qui permet de les prévoir intuitivement plus facilement.
  • Pour éviter tout effet multiplicatif sur la variabilité. Cette option entraîne la transformation des effets multiplicatifs en effets additifs, qui sont plus adaptés aux modèles linéaires.
En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique