Selecionar as opções para Análise de experimento 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.