Selecionar as opções para Analisar um experimento de Taguchi (dinâmico)

Estat > DOE (Planejamento de Experimento) > Taguchi > Análise de Experimento Taguchi > Opções

Selecione a meta sinal-ruído para a resposta e se pretende utilizar a transformação de log natural para estabilizar a variabilidade dos desvios padrão.

Razão sinal-ruído dinâmica
Para experimentos dinâmicos, você pode especificar um valor de referência de resposta e o valor do sinal por meio do qual a linha de regressão deve passar. Ou você pode optar por ajustar linhas sem nenhum ponto de referência fixo.
  • Ajustar todas as linhas através de um ponto de referência fixo: Em Valor de referência de Resposta, insira o valor de saída desejado (resposta). Em Valor de referência do Sinal, insira o nível de fator de sinal para o valor de referência de resposta desejado.
  • Ajustar cada linha através da resposta média em: Em Valor de referência do Sinal, insira um nível de fator de sinal no qual deve ser calculada a resposta média para cada linha de regressão.
  • Ajustar linhas sem nenhum ponto de referência: Opte por ajustar a linha de regressão sem nenhum ponto de referência fixo. Neste caso, o intercepto será ajustado aos dados.
Usar fórmula ajustada para sinal-ruído
Use as fórmulas adaptadas para as razões sinal-ruído.
Usar ln(s) para todas as saídas de desvio padrão
Use o desvios padrão com logaritmo natural transformado como variável de resposta na tabela de resposta, de regressão/resultados da ANOVA, e sobre os gráficos de efeitos principais e interações.
Considere o uso da transformação logarítmica natural sobre o desvio padrão para as seguintes razões:
  • Para estabilizar a variabilidade dos desvios padrão
  • Para evitar valores negativos para os valores ajustados, que podem ocorrer ao usar desvios padrão não transformados. Com uma transformação logarítmica, todos os valores ajustados são positivos, o que os torna mais fácil de serem intuídos.
  • Para evitar efeitos multiplicativos na variabilidade. Esta opção transforma efeitos multiplicativos em efeitos aditivos, que são mais adequados para modelos lineares.
Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política