1. fractfactを呼び出して、塗装に関する実験の部分因子計画行列を定義します。A、B、C、D の各因子は、それぞれ塗料の量、液圧力、温度、メーカーを表しています。

2. 実験結果を行列 Y に記録します。行によってどのランのデータであるかを識別し、列によってどのレプリケートのデータであるかを識別します。

3. quickscreen関数を呼び出して、各因子と交互作用 AB、AC、および BCの低値と高値の平均応答を計算します。この部分因子計画では、CD、BD、AD はそれぞれ AB、AC、BC のエイリアスなので、これらは含まれていません。

4. submatrix関数を使用して、行列 E のヘッダーを除去します。

5. 1 列目に因子と交互作用のラベルを含み、2 列目に 1/2 効果を含む行列 Data を定義します。この行列を引数として pareto 関数を実行すると、各因子または交互作用のラベル、1/2 効果、累積パーセントが返ります。1/2 効果は降順で返ります。

6. 1/2 効果と累積パーセントをパレートグラフで表示します。1/2 効果では、トレースタイプを「棒」に変更し、1/2 効果のサイズが累積パーセントのサイズと一致するようなスケール係数を単位プレースホルダーに追加します。

7. 1 列目に低値の平均応答を含み、2 列目に高値の平均応答を含む行列 Paint_Thickness を定義します。この行列を効果グラフに表示するため、トレースタイプを「効果」に変更します。

8. パレートグラフと効果グラフから、A、B、AB は重要な因子であることがわかります。ただし、AB は CD のエイリアスなので、効果グラフを作成して交互作用 AB を表示し、この交互作用が重要であるかどうかを調べます。