Exemple pour Analyser une réponse binaire pour un plan de criblage définitif

Des ingénieurs qualité veulent améliorer un procédé de confection de bretzels. La couleur est un critère de qualité essentiel. Ils utilisent un plan de criblage définitif pour déterminer les facteurs pouvant avoir un effet sur la couleur des bretzels. Pour l'expérience, les contrôleurs trient rapidement de petits lots de bretzels dans deux catégories : conforme et non conforme.

  1. Ouvrez le fichier de données échantillons, CouleurBretzels.MTW.
  2. Sélectionnez Stat > DOE (plan d'expériences) > Filtrage > Analyser la réponse binaire
  3. Dans la zone Nom d'événement, saisissez Evénement.
  4. Dans la zone Nombre d'événements, saisissez Couleur correcte.
  5. Dans la zone Nombre d'essais, saisissez Essais.
  6. Cliquez sur Termes.
  7. Dans Inclure les termes suivants, sélectionnez Quadratique complet. Cliquez sur OK.
  8. Cliquez sur Pas à pas.
  9. Dans Méthode, sélectionnez Critères d'informations ascendantes.
  10. Cliquez sur OK dans chaque boîte de dialogue.

Interprétation des résultats

Le diagramme de Pareto montre les barres des termes issus du meilleur modèle selon le critère AICc. Deux effets principaux se trouvent dans le modèle : Temps de cuisson (E) et Température de cuisson 2 (H). Le modèle inclut également le terme au carré pour Temps de cuisson et l'effet de l'interaction entre les deux facteurs.

Les ingénieurs conviennent que ce modèle correspond à leurs connaissances du procédé. Ils décident de l'utiliser pour organiser une expérimentation approfondie.

Régression logistique binaire - Plan de criblage : Couleur corr en fonction de Protéine far; Eau; ...

Méthode Fonction de liaison Logit Lignes utilisées 50
Sélection ascendante des termes AICc minimal atteint = 243,23
Informations de réponse Nom Variable Valeur Dénombrement d'événement Couleur correcte Evénement 4235 Evénement Non-événement 765 Essais Total 5000
Coefficients codés Terme Coeff Coef ErT FIV Constante 2,394 0,145 Temps de cuisson 0,7349 0,0538 1,11 Température de cuisson 2 0,5451 0,0541 1,20 Temps de cuisson*Temps de cuisson -0,384 0,153 1,04 Temps de cuisson*Température de cuisson 2 -0,5106 0,0562 1,24
Rapports des probabilités de succès pour les prédicteurs continus Rapport des probabilités IC à Incrément de succès 95 % Temps de cuisson 2 * (*; *) Température de cuisson 2 15 * (*; *) Les rapports des probabilités de succès ne sont pas calculés pour les prédicteurs qui sont inclus dans les termes d’interaction, car ces rapports dépendent des valeurs des autres prédicteurs dans les termes d’interaction.
Récapitulatif du modèle R carré de R carré (ajust) la somme des de la somme des carrés des carrés des écarts écarts AIC AICc BIC 95,81% 95,29% 241,87 243,23 251,43
Tests d'adéquation de l'ajustement Valeur Test DL Khi deux de p Somme des carrés des écarts 45 32,28 0,922 Pearson 45 31,93 0,929 Hosmer-Lemeshow 8 7,10 0,526
Analyse de la variance Somme des carrés des écarts Moyenne Valeur Source DL ajustée ajustée Khi deux de p Modèle 4 737,452 184,363 737,45 0,000 Temps de cuisson 1 203,236 203,236 203,24 0,000 Température de cuisson 2 1 100,432 100,432 100,43 0,000 Temps de cuisson*Temps de cuisson 1 6,770 6,770 6,77 0,009 Temps de cuisson*Température de cuisson 2 1 80,605 80,605 80,61 0,000 Erreur 45 32,276 0,717 Total 49 769,728
Equation de régression en unités non codées P(Evénement) = exp(Y')/(1 + exp(Y')) Y' = -11,984 + 3,361 Temps de cuisson + 0,08740 Température de cuisson 2 - 0,0961 Temps de cuisson*Temps de cuisson - 0,01702 Temps de cuisson*Température de cuisson 2
Ajustements et diagnostics pour les observations aberrantes Val. Probabilité Valeur résid. Observation observée ajustée Résiduelle norm. 1 0,9800 0,9376 2,0298 2,13 R 7 0,9800 0,9396 1,9581 2,00 R 24 0,9000 0,9497 -2,0182 -2,15 R R : Valeur résiduelle élevée
    En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique