Todas as estatísticas e gráficos para Otimizador de resposta

Gráfico de otimização

O gráfico de otimização mostra como as variáveis afetam as respostas previstas. Quando o gráfico de otimização é interativo, as células mostram como a variável de resposta correspondente ou a desirability composta muda como função de uma das variáveis, enquanto todas as outras variáveis permanecem fixas. O gráfico de otimização exibe os valores ajustados para as definições de predição.

O gráfico de otimização contém o seguinte:
Coluna para cada variável (preditor)
As linhas verticais vermelhas no gráfico representam as definições atuais.
Números no topo das colunas que mostram as definições das variáveis atuais (em vermelho), e as definições das variáveis altas e baixas nos dados.
Linha para cada variável de resposta.
As linhas azuis horizontais representam os valores de respostas atuais.
No lado esquerdo de cada linha de resposta, estão: a resposta prevista (y) com as definições das variáveis atuais e a pontuação da desirability individual.
Desirability composta
Na linha superior e no canto superior esquerdo, é a desirability composta (D).
Um rótulo acima da desirability composta que se refere à definição atual e às mudanças se você modificar as definições de variáveis. Quando você cria o gráfico, o rótulo é o Ótimo. Se você alterar as definições, o rótulo muda para Novo. Se você encontrar uma nova definição ideal, o rótulo muda para Ótimo.
barra de ferramentas interativa
O botão Prever no canto superior esquerdo da barra de ferramentas calcula a predição para as definições das variáveis atuais.
Os outros botões retornam às configurações anteriores, vão para as próximas configurações e ampliam e diminuem o zoom do gráfico.

O tipo de valores de resposta ajustados que o Minitab exibe depende do tipo de variável de resposta em seu modelo. Por exemplo, o Minitab exibe médias, probabilidades ou desvios padrão, dependendo se você tem medições contínuas ou de contagem, dados binários ou modelos que usam Análise de variabilidade.

A maneira como você interage com o gráfico de otimização depende do menu para a construção do modelo.
Estat
Clique duas vezes no gráfico de otimização para torná-lo interativo.
Módulo de análise preditiva
O enredo é sempre interativo.

Interpretação

Use o gráfico de otimização para determinar as configurações ideais para os preditores, dado os parâmetros que você especificou.

Para o isolamento de dados, a desirability composta é 0,7750. A primeira coluna do gráfico mostra os valores de resposta em cada nível de Material, o que é uma variável categórica. Os ajustes variáveis atuais são Material = Formula2, InjPress = 98,4848, InjTemp = 100,0 e CoolTemp = 45,0. O objetivo era maximizar o Isolamento. Seu valor previsto é 25,6075, e sua desirability individual é 0,85386. A covariável, MeasTemp, está incluída no modelo como uma variável de ruído incontrolável e é realizada em 21,49. Outras observações são como a seguir:
  • Material: Os dois pontos para cada célula nesta coluna representam os dois níveis da variável categórica: Formula1 e Formula2. Formula2 parece ser o melhor material. Mudar para Formula1 iria diminuir o valor isolante e aumentar a densidade, o que são duas coisas indesejáveis. No entanto, como o tipo de material interage com outros fatores, esta tendência não pode ser mantida em outras definições. Pense na possibilidade de encontrar uma solução local para Formula1. Ou altere as definições de Formula1 diretamente no gráfico, movendo as barras verticais.
  • InjPress: Aumentar a pressão de injeção aumenta todas as três respostas. Portanto, a definição ótima está no meio da faixa (98,4848), que é um compromisso entre as metas conflitantes. O objetivo é maximizar o valor isolante, minimizar a densidade e maximizar a resistência.
  • InjTemp: O aumento da temperatura de injeção também aumenta todas as respostas. Mas o efeito sobre a densidade é mínimo em comparação com o efeito sobre o valor isolante. Portanto, você aumenta a desirability composta por meio da maximização da temperatura de injeção. As definições ideais de temperatura de injeção estão nos níveis máximos no experimento. Este resultado sugere que você deve considerar a realização de experimentos com temperaturas mais altas.
  • Temperatura fria: O aumento da temperatura de resfriamento aumenta o valor isolante, mas diminui a densidade e a resistência. As definições ideais de temperatura de injeção e temperatura de resfriamento estão nos níveis máximos no experimento. Este resultado sugere que você deve considerar a realização de experimentos com temperaturas mais altas. Os gráficos mostram que pode ser importante considerar com atenção as temperaturas de resfriamento mais elevadas. Se os gráficos pudessem ser extrapolados, as temperaturas de resfriamento mais elevadas melhorariam o valor isolante e densidade. No entanto, a resistência diminuiria.

Para um modelo de regressão linear, examine os intervalos de previsão para determinar se o intervalo de valores prováveis para um único valor futuro está dentro dos limites aceitáveis para o processo. As regiões cinzentas indicam onde a resposta correspondente tem zero de desirability.

Parâmetros

O Minitab exibe os parâmetros de experimento para cada resposta na tabela Parâmetros. Examine esses resultados para verificar se os parâmetros de experimento exibidos estão corretos.

Suas escolhas de objetivo, inferior, alvo, superior e peso definem a função de desejo para cada resposta individual. Os parâmetros de importância determinam como as funções de desejabilidade são combinadas em uma única desejabilidade composta.

  • O Otimizador de resposta menu inclui Estat otimização para várias respostas.
  • O Otimizador de resposta no Módulo de análise preditiva inclui otimização para uma única resposta.

Interpretação

Nestes resultados, as variáveis de resposta são Força, Densidade e Isolamento. os parâmetros de experimento são os seguintes:
  • O Objetivo da Força é maximizá-la. Um valor de 38,1821 é considerado excelente e valores abaixo de 19,2189 são inaceitáveis.
  • O objetivo da densidade é minimizá-lo. Um valor de 0,4351 é considerado excelente e valores acima de 1,60314 são inaceitáveis.
  • O objetivo do isolamento é maximizá-lo. Um valor de 27,7156 é considerado excelente e valores abaixo de 13,2905 são inaceitáveis.

Todas as três respostas têm o mesmo valor de importância. Portanto, todas as três respostas têm uma igual influência sobre a desirability composta.

Predição de Múltiplas Respostas

VariávelConfiguração
MaterialFórmula 2
PressInj98,4848
TempInj100
TempFria45
TempMed21,4875
RespostaAjusteEP do
Ajustado
IC de 95%IP de 95%
Resistência32,341,04(29,45; 35,22)(27,25; 37,43)
Densidade0,68260,0597(0,5167; 0,8484)(0,3899; 0,9753)
Isolamento25,6080,268(24,863; 26,352)(24,294; 26,921)

Previsão de resposta

O Minitab usa as definições de variáveis nesta tabela para calcular os ajustes para todas as respostas que estão inclusas no processo de otimização.

  • O Otimizador de resposta menu inclui Estat otimização para várias respostas.
  • O Otimizador de resposta no Módulo de análise preditiva inclui otimização para uma única resposta.

Quando você executa Otimizador de resposta pela primeira vez, a tabela de previsão de várias respostas exibe os valores ideais que o algoritmo identifica. Se você alterar as configurações de variáveis no gráfico e clicar no Predição botão na barra de ferramentas, o Minitab criará uma tabela com as novas configurações.

Use esta tabela para verificar se a análise foi realizada da forma desejada.

Ajuste

Os valores ajustados também são chamados de ajustes ou . Os valores ajustados são estimativas de ponto da resposta média para dados valores das preditoras. Os valores dos preditores também são chamados de valores-x. O Minitab usa a equação de regressão e as definições de variáveis para calcular o ajuste.

O tipo de valores ajustados que o Minitab exibe depende do tipo da variável resposta em seu modelo. Por exemplo, o Minitab exibe médias, probabilidades ou desvios padrão dependendo se você tiver dados contínuos ou medidas de contagem, dados binários ou modelos que usem Análise de variabilidade.

Interpretação

Valores ajustados são calculados com base nos valores-x selecionados na equação modelo para uma variável de resposta.

Por exemplo, se a equação for y = 5 + 10x, o valor ajustado do valor-x, 2, é 25 (25 = 5 + 10(2)).

EP do Ajustado

O erro padrão do ajuste (ajuste SE) estima a variação na resposta média estimada para as configurações de variáveis especificadas. O cálculo do intervalo de confiança para a resposta média usa o erro padrão do ajuste. Os erros padrão são sempre não negativos. A análise calcula erros padrão para modelos do Estat menu e modelos de Régression linéaire e Régression logistique binaire para o Módulo de análise preditiva.

Interpretação

Use o erro padrão do ajuste para medir a exatidão da estimativa da resposta média. Quanto menor o erro padrão, mais precisa é a resposta média predita. Por exemplo, um analista desenvolve um modelo para predizer o tempo de entrega. Para um conjunto de configurações de variável, o modelo prediz um tempo de entrega médio de 3,80 dias. O erro padrão do ajuste para estas configurações é 0,08 dias. Para o segundo conjunto de configurações de variáveis, o modelo produz o mesmo tempo de entrega médio, com um erro padrão de ajuste de 0,02 dias. O analista pode ter mais confiança de que o tempo médio de entrega para o segundo conjunto de configurações de variáveis está próximo de 3,80 dias.

Com o valor ajustado, é possível usar o erro padrão do ajuste para criar um intervalo de confiança para a resposta média. Por exemplo, dependendo do número de graus de liberdade, um intervalo de confiança de 95% se estende cerca de dois desvios padrão acima e abaixo da média prevista. Para os tempos de entrega, o intervalo de confiança de 95% para a média prevista de 3,80 dias, quando o erro padrão é de 0,08 é (3,64, 3,96) dias. Você pode ter 95% de confiança de que a média da população está dentro deste intervalo. Quando o erro padrão é de 0,02, o intervalo de confiança de 95% é (3,76, 3,84) dias. O intervalo de confiança para o segundo conjunto de definições de variáveis é mais estreito, porque o erro padrão é menor.

IC de 95%

O intervalo de confiança do ajuste fornece um intervalo de valores prováveis para a resposta média dadas as configurações especificadas dos preditores. A análise calcula intervalos de confiança para modelos do Estat menu e modelos de Régression linéaire e Régression logistique binaire para o Módulo de análise preditiva.

Interpretação

Use o intervalo de confiança para avaliar a estimativa do valor ajustado para os valores observados das variáveis.

Por exemplo, com um nível de confiança de 95%, você pode ter 95% de confiança de que o intervalo de confiança contém a média da população para os valores especificados das variáveis no modelo. O intervalo de confiança ajuda a avaliar a significância prática de seus resultados. Use seu conhecimento especializado para determinar se o intervalo de confiança inclui valores que tenham significância prática para a sua situação. Um amplo intervalo de confiança indica que você pode estar menos confiante sobre a média de valores futuros. Se o intervalo for muito grande para ser útil, considere aumentar o tamanho da amostra.

IP de 95%

O intervalo de predição é um intervalo que provavelmente contém uma única resposta futura para uma combinação selecionada de configurações de variável. A análise calcula os intervalos de previsão para modelos no Estat menu e modelos a partir Régression linéaire do Módulo de análise preditiva.

Interpretação

Use os intervalos de previsão (PI) para avaliar a precisão das previsões.Os intervalos de predição ajudam a avaliar a significância prática de seus resultados. Se um intervalo de previsão se estender além dos limites aceitáveis, as previsões podem não ser suficientemente precisas para seus requisitos.

Com um IP de 95%, é possível ter 95% de confiança que uma resposta única estará contida no intervalo, dadas as definições dos preditores especificados. O intervalo de previsão é sempre maior do que o intervalo de confiança devido à incerteza adicional envolvida na previsão de uma única resposta versus a resposta média.

Por exemplo, um engenheiro de materiais em uma fábrica de móveis desenvolve um modelo de regressão simples para predizer a rigidez de uma placa de aglomerado a partir da densidade da placa. O engenheiro verifica se o modelo atende às suposições da análise. Depois, o analista usa o modelo para predizer a rigidez.

A equação de regressão prediz que a rigidez de uma nova observação com uma densidade de 25 é de -21,53 + 3,541*25 ou 66,995. Apesar de ser improvável que essa observação tenha uma rigidez de exatamente 66,995, o intervalo de predição indica que o engenheiro pode ter 95% de confiança de que o valor real estará, aproximadamente, entre 48 e 86.

Desirability composta

Use a desejabilidade composta (D) para avaliar o quão bem as configurações otimizam um conjunto de respostas em geral. A desirability abrange uma amplitude de zero a um. O valor 1 representa o caso ideal; zero indica que uma ou mais respostas estão fora dos seus limites aceitáveis.

  • O Otimizador de resposta menu inclui Estat otimização para várias respostas.
  • O Otimizador de resposta no Módulo de análise preditiva inclui otimização para uma única resposta.

Muitas vezes, se você tiver várias respostas, não há nenhuma configuração de fator que maximize simultaneamente a conveniência de todas as respostas. Por esse motivo, o Minitab maximiza a conveniência do composto. A desejabilidade composta combina a desejabilidade individual de todas as variáveis de resposta em uma única medida. Maior ênfase é colocada nas variáveis de resposta com maior importância.

Para obter mais informações, leia O que é desirability individual e composta?.

Interpretação

Valores de desejabilidade compostos próximos a 1 indicam que as configurações alcançam resultados favoráveis para todas as respostas.