Verwenden Sie die Funktionen
block und
anova, um eine Konstruktionsmatrix in zwei Blocks zu teilen und zu testen, welche Wirkung die Blockbildung auf das Ergebnis hat.
1. Rufen Sie die Funktion
fullfact auf, um eine Konstruktionsmatrix mit vollständiger Fakultät zu erstellen.
2. Rufen Sie block auf, um die Konstruktionsmatrix X in zwei Blöcke zu teilen.
Die ersten acht Durchläufe erfolgen in Block 1 und die verbleibenden Durchläufe in Block 2.
3. Rufen Sie die Funktion
randomize auf, bevor Sie das Experiment ausführen. Die Randomisierung wird für jeden Block separat ausgeführt.
4. Zeichnen Sie die Ergebnisse des Experiments mit jeweils einer Zeile pro Durchlauf der in Blöcke geteilten Konstruktionsmatrix B und einer Spalte pro Replikat in Matrix Y auf.
5. Rufen Sie die Funktion
quickscreen auf, um die Wirkungen der Faktoren, die Interaktionen zweiter Ordnung und die Blockbildung zu berechnen.
6. Verwenden Sie die Funktionen
augment und
submatrix, um die Faktoren und ihre Effekte aus Q zu extrahieren und die Kopfzeilen zu entfernen.
7. Ersetzen Sie die Wirkungen durch den absoluten Wert bei halben Wirkungen.
8. Rufen Sie die Funktion
pareto auf, und erstellen Sie dann ein Paretodiagramm.
Die Faktoren A, B, D, Interaktionen AD und BD und Blocks scheinen signifikant zu sein.
9. Rufen Sie die Funktion anova auf, um eine Varianzanalyse durchzuführen. Berechnen Sie den kritischen F-value für die Faktoren, die Interaktionen und die Blockbildung. Vergleichen Sie den F-value mit dem kritischen F-value.
10. Verwenden Sie die Funktion
qF, um den kritischen F-value für Faktoren, Interaktionen und Blockbildung zu berechnen. Vergleichen Sie den F-value mit dem kritischen F-value.
Legen Sie die Ebene auf 5% fest:
Legen Sie den niedrigsten Freiheitsgrad DF fest:
Legen Sie den höchsten Freiheitsgrad DF fest:
Faktoren A, B, D, Interaktionen AD und BD und Blocks sind auf der Ebene 5% signifikant, da ihre F-Werte größer als Fcrit sind. Diese Varianzanalyse verstärkt die aus dem Paretodiagramm abgeleitete subjektive Folgerung.
Verweis
Montgomery, D.C., Design and Analysis of Experiments, 5. Ausgabe, John Wiley & Sons, New York, 2001, S. 295.
