Um engenheiro de materiais de um fabricante de produtos de construção está desenvolvendo um novo produto de isolamento. O engenheiro cria um experimento fatorial completo de 2 níveis para avaliar vários fatores que poderiam afetar a potência, a densidade e o valor isolante do isolamento.
O engenheiro analisa um experimento fatorial para determinar como o tipo de material, a pressão de injeção, a temperatura de injeção e a temperatura de arrefecimento afetam a resistência do isolamento.
Na tabela Análise de Variância, os valores-p para todos os termos lineares — Material, InjPress, InjTemp e CoolTemp — são significativos. Como os valores-p são inferiores ao nível de significância de 0,05, o engenheiro conclui que os efeitos são estatisticamente significativos. A covariável MeasTemp não é significativa (valor-p = 0,278). Nenhuma das interações bidirecionais é significativa. O engenheiro pode considerar a redução do modelo.
O valor de R2 mostra que o modelo explica 98,02% da variância em resistência, o que indica que o modelo ajusta os dados extremamente bem.
A maioria dos VIFs são baixos, indicando que os termos no modelo não estão correlacionados. O VIF para MeasTemp é 5,87, porém este termo não é significativo, e você não deve incluí-lo no modelo final.
O gráfico de Pareto dos efeitos possibilita a identificação visual dos efeitos importantes e compara a magnitude relativa dos vários efeitos. Além disso, é possível ver que o maior efeito é a pressão de injeção (B), porque ele se estende para mais além. O efeito da pressão de injeção pela interação da temperatura de arrefecimento (BD) é o menor porque é o que menos se estende.
Os gráficos de resíduos não indicam nenhum problema com o modelo.