DOE全套资料[宣讲].pptVIP

* 精品PPT | 实用可编辑 第四步 对选定模型进行分析解释： 经过前三点的反复，可以获得一个为满意的方程，作为选定的模型。本例的回归方程可从两方面获得： 从代码化后的回归数据： Y=541.32+10.02*（A-840）/20 +8.44*(B-2.5)/0.5 +5.556*(D-55)/5 +3.556 *((B-2.5)/0.5 ) *((D-55)/5) 从运算结果给出的未代码化的数据： Y=212.79+0.5009*A-61.35*B-2.445*D+1.4225*B*D * 精品PPT | 实用可编辑 再次进行残差诊断： 前面的残差诊断着重考虑模型是否与数据拟合的合适，如何修改模型以求拟合得更好，本阶段的诊断是在模型不再修改的前提下，判断数据是否有个别点出现异常。选定“标准代残差”及“删后残差”，查看输出的绝对值，绝对值小于2时正常。 * 精品PPT | 实用可编辑 确认主效应及交互效应的显著性，并考虑最优设置。 * 精品PPT | 实用可编辑 从主效应图中可以看出，加热温度、加热时间和保温时间为显著的主效应；从交互作用图上可以看出，加热温度和保温时间为显著的2阶交互效应。 * 精品PPT | 实用可编辑 输出等值线图，响应曲面图等以确认最佳设置 等值线图及响应曲面图只能同时考虑两个变量及一个响应变量。只用绘制有交互作用的变量就可以了（无交互作用的变量的等值线图是一组平行线，响应曲面图是平面） * 精品PPT | 实用可编辑 实现最优化 从结果可以看出，当加热温度为560，加热时间为3.0，保温时间为60时，输出可取的最优质568.8937 * 精品PPT | 实用可编辑 第五步：进行验证试验 先计算出在最佳点的观测值预测值及其波动范围，然后在最佳点做若干次验证（3次以上），如果验证结果的平均值落入事先计算好的范围内，则说明一切正常，模型是正确的，预测结果可信，否则，就要进一步分析发生错误的原因，改进模型，再重新验证。 * 精品PPT | 实用可编辑 * 精品PPT | 实用可编辑 进行部分实施的因子试验的必要性 进行二水平全子试验设计时，全因子试验的总试验次数随因子个数的增加 呈现指数型增长，例如：5个因子需要32次试验，8个因子需256次试验。但仔细分析可发现，所建立的回归方程除常数项外，估计的主数应有8项，2项交互效应有28项，结果如下表： 除了常数，一阶及二阶项外，共有219项是三阶及三阶以上的交互作用项，而这些项实际上已无具体的意义。 能否少做一些试验，但又能估计方程中的常数，一阶及二系数呢？ ----部分实施的因子试验可以实现，在因子较多时，只分析各因子主效应和二阶交互效应是否显著，而不考虑高阶交互作用。 * 精品PPT | 实用可编辑 方案1：删节试验方法，4个二水平的因子，作全因子试验需16项，计划表为： * 精品PPT | 实用可编辑 如何选8次做试验呢？随便选8项，可以吗？ 如何保持选出的8项具有正交性？固定将某列（比如最后一列ABCD）取“1”的8行以保留，而删去取“—1”的8行，如此A、B、C、D这4列中皆有4行取“1”，4行取“—1”，延续正交试验“均衡分散，整齐可比“的优点”。 * 精品PPT | 实用可编辑 混杂：仔细分析上表可发现，删除8行后，除去一列（ABCD列）全为1外，每列都有与之成对的另一列是完全相同的，例如D=ABC。完全相同的两列，在作分析时，计算出效应或回归系数结果就完全相同，这两列的效应被称为“混杂”，也可以称为D与ABC互为别名。 混杂是坏事，但任何部分实施的因子试验，混杂是不可避免的。我们希望混杂安排的好一些，尽量让感兴趣的因子或交互作用只与更高阶的交互作用相混杂，高阶交互作用可略不计，如此，我们感兴趣的因子和交互作用就可以估计了。 ? 例如上例中，不取ABCD=1，取BCD=1的8行，合发现现在D=BC，显然不如D=ABC。 * 精品PPT | 实用可编辑 方案二：增补因子法： 3因子试验表如下： 如果保证增加因子后的正交性，第4个因子必须与AB、AC、BC、ABC三列中一列一致，取D=ABC，可得到和方案一相同的结果。 * 精品PPT | 实用可编辑 我们称D=ABC为生成，称ABCD=1为定义关系，等式左端项的总数，称为整个设计的分辨度（ABCD=1为分辨度为Ⅳ的设计）。 从定义关系（如ABCD=1）可得到混杂的规律：字母可在等式两端随意移动。 ? 分辨度为R的部分实施因子设计为2K-PR 分辨度为Ⅲ的设计：各主效应间没有混杂，但某些主效应与某些2阶交互效应混杂； 分辨度为Ⅳ的设计：各主效应间没有混杂,主效应与2