MerQuR+Başvuru Kitabı

103. Yanıt Yüzeyi Regresyonu

Analiz kimliği: rsm · Menü adı: Yanıt Yüzeyi Regresyonu (Response Surface Regression) · Panel: gui/panels/analyses/response_surface_panel.py · Motor: stats/response_surface.py, run_rsm (satır 165–411), sırt noktası _ridge_point (126–162)

103.1 Ne işe yarar

Yanıt yüzeyi regresyonu, deneyde düzeyleri bilerek değiştirilen birkaç sayısal faktörün (sıcaklık, süre, derişim…) bir yanıtı nasıl etkilediğini ikinci dereceden bir polinom yüzeyle modeller ve bu yüzeyin en iyi noktasını arar. Cevapladığı sorular şunlardır: "Dönüşüm yüzdesini en büyük yapan sıcaklık–başlatıcı–süre bileşimi nedir?", "Bu nokta bir tepe mi, yoksa bir eyer mi?", "Deney bölgesinden çıkmadan en çok nereye kadar iyileştirebilirim?"

Model, faktörler kodlandıktan sonra (103.5.1) şöyledir:

y_i=\mathbf c^{\top}\mathbf z_i+\sum_{j=1}^{k}b_jx_{ij}+\sum_{j=1}^{k}b_{jj}x_{ij}^2+\sum_{j<l}b_{jl}x_{ij}x_{il}+\varepsilon_i=\mathbf c^{\top}\mathbf z_i+\mathbf b^{\top}\mathbf x_i+\mathbf x_i^{\top}\mathbf B\,\mathbf x_i+\varepsilon_i
  • y_i: i. deney koşusunun yanıtı (burada dönüşüm yüzdesi).
  • \mathbf z_i: yüzeye girmeyen terimler: sabit (1), blok kuklaları ve sayısal ortak değişkenler; \mathbf c bunların katsayıları.
  • \mathbf x_i=(x_{i1},\dots,x_{ik})^{\top}: k faktörün kodlanmış değerleri.
  • \mathbf b: doğrusal (birinci dereceden) katsayılar; b_{jj}: kare (eğrilik) katsayıları; b_{jl}: çapraz çarpım (etkileşim) katsayıları.
  • \mathbf B: köşegeninde b_{jj}, köşegen dışında b_{jl}/2 bulunan simetrik k\times k matris. Yarıya bölme, \mathbf x^{\top}\mathbf B\mathbf x açılımında her çapraz terimin iki kez (b_{jl}/2+b_{lj}/2) görünmesindendir.
  • \varepsilon_i: bağımsız, sıfır ortalamalı, sabit varyanslı hata.

Neden ikinci derece?

Box ve Wilson (1951), gerçek yanıt fonksiyonunun bilinmediğini, ama deneyin dar bir bölgesinde Taylor açılımıyla yaklaşılabileceğini gösterdi. Birinci derece terimler eğimi, ikinci derece terimler eğriliği taşır; bir tepe ya da çukurun var olabilmesi için eğrilik terimleri gerekir. Üçüncü derece terimler çoğu deney tasarımında kestirilemez ve yorumu zorlaştırır.

Ne zaman kullanılır? Faktörler sayısal ve deneyci tarafından ayarlanmış (merkezi bileşik tasarım, Box–Behnken, yüz merkezli küp); her faktörün en az üç düzeyi var; amaç bir en iyi nokta bulmak ya da yüzeyin biçimini anlamaktır.

Ne zaman kullanılmaz?

  • Faktörler kategorikse ya da yalnız iki düzeyliyse (eleme deneyi): İki Yönlü ANOVA ya da Çoklu Doğrusal Regresyon (MerQur iki düzeyli faktörde "Tasarım matrisi tekil" hatası verir).
  • Gözlemsel veride ve açıklayıcılar deneyci tarafından ayarlanmamışsa: polinom terimli Çoklu Doğrusal Regresyon ya da Genelleştirilmiş Toplamsal Model (GAM); durağan nokta yorumu orada güvenilmezdir.
  • Yanıt sayım ya da oran ise: ikinci derece terimli Sayım Regresyonu ya da Lojistik Regresyon.
  • İlişki ikinci dereceden belirgin biçimde sapıyorsa (uyum eksikliği anlamlı): Doğrusal Olmayan Regresyon ya da dönüştürülmüş yanıt.

Sık karıştırılan analizler. Polinom terimli çoklu regresyon aynı katsayıları verir ama kanonik analiz, sırt analizi ve uyum eksikliği testini yapmaz. Birinci derece modelle yapılan "en dik çıkış" (steepest ascent) sırt analizinin özel hâlidir: \mathbf B=\mathbf 0 iken sırt yolu düz bir çizgiye iner.

103.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Sayısal faktörler, en az üç düzey Kare terimin kestirilebilmesi için. Tasarım matrisi tam ranklı değilse hata (response_surface.py:231–232).
İkinci derece yeterli Deney bölgesinde gerçek yüzey kuadratik yaklaşımla temsil edilir. Tekrar varsa uyum eksikliği testi; p<0{,}05 ise uyarı (343–344).
Bağımsız, sabit varyanslı hatalar Koşular bağımsız ve rastgele sırada. Denetlenmez; tasarım ve artık grafikleriyle.
Normal hatalar t ve F testlerinin tam geçerliliği için. Denetlenmez.
Yeterli gözlem n>p; p = sabit dahil parametre sayısı. n\le p ise hata (221–222).

Eksik değer. Yanıt, faktörler, ortak değişkenler ve blokta eksik ya da sayıya çevrilemeyen değeri olan satır çıkarılır (liste bazında, 176–182); çıkarılan satır sayısı metnin sonunda yazılır.

Uç durumlar (koddan). Faktör seçilmemişse ya da blok değişkeni faktör olarak da seçilmişse hata (171–174). Sabit bir faktör (tüm değerler aynı) hata verir (186–188). Blok değişkeninin tek düzeyi varsa hata (203–204). \mathbf B tekilse (bir özdeğer sıfır) durağan nokta sözde tersle verilir ve yüzey "düz bölge" sayılır (324–327). Bir özdeğer en büyük mutlak özdeğerin %10'undan küçükse "sırt sistemi olabilir" uyarısı (336–337); durağan nokta kodlanmış küpün dışındaysa (|x_j|>1) dış değerleme uyarısı verilir (341–342, yalnız kodlama açıkken).

103.3 Parametreler

Varsayılanlar add_form_rows (response_surface_panel.py:53–150) ve read_options (153–184) kodundan alınmıştır.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Bağımlı değişken ilk sayısal sütun Sayısal yanıt. —
Faktörler en az 1 Yüzeye girecek sayısal faktörler. k faktör için k doğrusal, k kare, k(k-1)/2 çapraz terim.
Blok (isteğe bağlı) (yok) Kategorik blok; kuklaları yüzeyden önce girer. Hata KT'si küçülür; Tip I ayrışımda "Ortak değişkenler" satırı; kanonik ve sırt tahminleri blok ortalamasında verilir.
Ortak değişkenler (isteğe bağlı) boş Yüzeye girmeyen sayısal ortak değişkenler. Aynı biçimde düzeltme.
Kodlama Orta nokta / yarı aralık kodlaması x=(X-M)/S; "Kodlama yok" seçeneği katsayı tablosunu özgün birimlerde verir. Yalnız katsayı tablosunun ölçeği değişir; kanonik ve sırt analizi her zaman kodlanmış ölçekte yapılır; ANOVA ve R^2 değişmez.
Ayrışım sırası Doğrusal, kare, çapraz çarpım Tip I KT sırası; diğeri FO, TWI, PQ (R rsm). Dengesiz tasarımda Tip I KT'ler değişir; dik tasarımda aynıdır.
Sırt analizi En büyük yanıt En büyük, en küçük, ikisi ya da yok. Sırt tablosu.
En büyük yarıçap 1,00 Kodlanmış birimde sırt yolunun dış sınırı. Tablo uzunluğu.
Yarıçap adımı 0,100 0, 0,1, …, 1. Tablo çözünürlüğü.
Grafik Kontur (varsayılan) Kontur, 3B yüzey ya da ikisi. Yalnız Grafik sekmesi.
Tahmin ve artıkları veri setine kaydet kapalı <hedef>_rsm_pred, <hedef>_rsm_resid. Yeni sütunlar.

Kodlama neden ANOVA'yı değiştirmez ama kanonik analizi değiştirir?

Kodlama her faktöre ayrı bir doğrusal dönüşümdür; ikinci derece polinomların uzayı bu dönüşümle değişmez. Bu yüzden uydurulan değerler, artıklar, KT'ler ve R^2 aynı kalır. Kanonik analiz ise \mathbf B'nin özdeğerlerine bakar ve özdeğerler faktörlerin ölçeğine bağlıdır: sıcaklık °C ile, başlatıcı yüzde ile ölçülürse \mathbf B'nin köşegeni birimlerin karesiyle orantılı farklılaşır, "hangi yönde yüzey düz" sorusu birim seçimine bağlı hâle gelir. Kodlama tüm faktörleri aynı [-1,\,1] aralığına taşıyarak özdeğerleri karşılaştırılabilir yapar. Sırt analizindeki "yarıçap" da ancak ortak bir ölçekte anlamlıdır.

103.4 Örnek veri (Kimya Mühendisliği; Tıp setinde karşılığı yok)

Tıp örnek setinde (english/datasets/Tip) ve öteki disiplin klasörlerinde yanıt yüzeyi tasarımı bulunmadığından MerQur'la birlikte dağıtılan Kimya Mühendisliği örnek verisi kullanılmıştır: samples/kimya_muhendisligi/02_rsm_ccd_polimer.xlsx (sentetik merkezi bileşik tasarım, polimerizasyon).

Değişken Rol Tür Özet
Donusum_Yuzde Bağımlı sürekli (%) ort. 66,08; SS 10,46; 42,36–90,59
Sicaklik_C Faktör 5 düzey (°C) 54,77 / 65 / 80 / 95 / 105,23
Baslatici_Yuzde_w_w Faktör 5 düzey (% a/a) 0,295 / 0,5 / 0,8 / 1,1 / 1,305
Reaksiyon_Suresi_saat Faktör 5 düzey (saat) 1,48 / 2,5 / 4 / 5,5 / 6,52
Polimer_Tipi Blok 3 düzey PMMA, PS, PVC; her biri 40 koşu

Tasarım: Her polimer için 20 koşuluk bir merkezi bileşik tasarım (8 küp noktası, 6 eksen noktası \alpha=1{,}682, 6 merkez noktası) iki kez tekrarlanmıştır: 3\times2\times20=120 koşu, 15 ayrı faktör bileşimi, 36 merkez koşusu. Eksik değer yoktur.

Soru: Polimer türü denetlendiğinde, dönüşüm yüzdesini en büyük yapan sıcaklık, başlatıcı oranı ve reaksiyon süresi nedir? Yüzeyin tepesi deney bölgesinin içinde mi?

Seçilen ayarlar: Arayüz varsayılanları (orta nokta / yarı aralık kodlaması, "Doğrusal, kare, çapraz çarpım" ayrışım sırası, en büyük yanıt için sırt analizi, yarıçap 0–1, adım 0,1) ve blok olarak Polimer_Tipi. Karşılaştırma için R sırası + iki yönlü sırt analizi, "kodlama yok" ve blok olmadan da çalıştırılmıştır.

103.5 Formüller ve hesap adımları

MerQur sırayla şunları yapar: (1) faktörleri orta nokta–yarı aralıkla kodlar; (2) blok/ortak değişken sütunları ile doğrusal, kare ve çapraz terimleri tek tasarım matrisinde birleştirip sıradan en küçük kareler (OLS) uygular; (3) aynı modeli özgün birimlerle yeniden kestirerek özgün birim katsayılarını üretir; (4) iç içe modellerle sıralı (Tip I) KT ayrışımını, uyum eksikliği testini ve faktör ANOVA'sını hesaplar; (5) kodlanmış katsayılardan \mathbf b ve \mathbf B'yi kurup kanonik analiz yapar; (6) sırt yolunu Draper (1963) yöntemiyle çözer.

103.5.1 Kodlama

x_{ij}=\frac{X_{ij}-M_j}{S_j},\qquad M_j=\frac{\max_iX_{ij}+\min_iX_{ij}}{2},\qquad S_j=\frac{\max_iX_{ij}-\min_iX_{ij}}{2}
  • X_{ij}: j. faktörün özgün değeri; x_{ij}: kodlanmış değeri, her zaman [-1,\,1] aralığında.
  • M_j, S_j: verideki en büyük ve en küçük değerin orta noktası ve yarı aralığı (çıktıda "Çıkarılan (M)" ve "Bölen (S)").

Koddaki tercih: kodlama verinin uç değerlerinden

M ve S veriden hesaplanır (response_surface.py:198–199), tasarımın "nominal" küpünden değil. Merkezi bileşik tasarımda en uç noktalar eksen noktalarıdır; bu yüzden eksen noktaları \pm1'e, küp noktaları \pm1/\alpha=\pm0{,}594'e kodlanır. R rsm::coded.data ise kullanıcının yazdığı formülle kodlar (çoğu örnekte küp noktaları \pm1). Kodlanmış katsayılar ve sırt yarıçapları bu nedenle MerQur ile R'de, kodlama aynı seçilmedikçe farklı görünür; özgün birim katsayıları ve tüm KT'ler aynıdır. "Kodlama yok" seçilirse M=0, S=1 alınır.

103.5.2 Kestirim: OLS

\mathbf X=[\,\mathbf Z\;|\;\mathbf X_L\;|\;\mathbf X_Q\;|\;\mathbf X_C\,] tasarım matrisi; sütun sırası sabit, blok kuklaları, ortak değişkenler, doğrusal, kare, çapraz çarpım terimleridir.

\hat{\boldsymbol\beta}=(\mathbf X^{\top}\mathbf X)^{-1}\mathbf X^{\top}\mathbf y,\qquad \text{SSE}=\lVert\mathbf y-\mathbf X\hat{\boldsymbol\beta}\rVert^2,\qquad \text{KO}_{\text{hata}}=\frac{\text{SSE}}{n-p}
\SH(\hat\beta_m)=\sqrt{\text{KO}_{\text{hata}}\,[(\mathbf X^{\top}\mathbf X)^{-1}]_{mm}},\qquad t_m=\frac{\hat\beta_m}{\SH(\hat\beta_m)}\sim t_{n-p}
R^2=1-\frac{\text{SSE}}{\text{SST}},\qquad R^2_{\text{düz}}=1-\frac{\text{SSE}/(n-p)}{\text{SST}/(n-1)},\qquad \text{DK}=100\,\frac{\sqrt{\text{KO}_{\text{hata}}}}{\bar y}
  • p: sabit dahil parametre sayısı; burada 1+2+3+3+3=12.
  • SST: \sum(y_i-\bar y)^2, düzeltilmiş toplam KT.
  • DK: değişim katsayısı (%), "Kök MSE"nin yanıt ortalamasına oranı.

Koddaki tercih: iki ayrı OLS

Kodlanmış katsayılar np.linalg.lstsq ile (226), özgün birim katsayılar ham faktörlerle kurulan ikinci bir tasarım matrisinden yeniden kestirilir (239–246). Özgün birimdeki SH'ler, kodlanmış modelin \text{KO}_{\text{hata}}'sı ile hesaplanır; iki model aynı uzayı gerdiği için SSE aynıdır. Kodlanmış katsayılar R rsm summary çıktısındaki katsayılardır. Blok kukla kodlamasında referans, ortak düzey sırasının (kullanıcı sırası → sayısal/doğal sıra → verideki ilk görülme sırası) ilk düzeyidir (response_surface.py:214–216). Kullanılan sıra katsayı tablosunun altında yazılır; Tıp verisinde "Kullanılan düzey sırası (Polimer_Tipi): PMMA_Poli_metil_metakrilat, PS_Polistiren, PVC_Poli_vinil_klorur".

103.5.3 Sıralı (Tip I) KT ayrışımı

İç içe modeller sırayla kestirilir: \mathcal M_0 (yalnız \mathbf Z), \mathcal M_1=\mathcal M_0+doğrusal, \mathcal M_2=\mathcal M_1+kare, \mathcal M_3=\mathcal M_2+çapraz. Her grubun KT'si artık KT'deki düşüştür:

\text{KT}_{\text{grup}}=\text{SSE}(\mathcal M_{g-1})-\text{SSE}(\mathcal M_g),\qquad F=\frac{\text{KT}_{\text{grup}}/\text{sd}_{\text{grup}}}{\text{KO}_{\text{hata}}},\qquad R^2_{\text{grup}}=\frac{\text{KT}_{\text{grup}}}{\text{SST}}
  • "Ortak değişkenler" satırı: \text{SST}-\text{SSE}(\mathcal M_0); yalnız blok ya da ortak değişken varsa görünür.
  • Tüm F'ler tam modelin \text{KO}_{\text{hata}}'sına bölünür (R anova tanımı).
  • R sırası seçilirse \mathcal M_2 çapraz, \mathcal M_3 kare terimleri ekler (FO, TWI, PQ).

Neden sıralı KT ve neden sıra önemli?

Bir terim grubunun "katkısı", önceki gruplar modeldeyken açıkladığı ek varyanstır. Tasarım dik (ortogonal) ise gruplar birbirinden bağımsızdır ve sıra fark etmez; bu örnekteki tam merkezi bileşik tasarım dik olduğundan iki sıra aynı KT'leri verir (çapraz 119,355 her iki sırada). Eksik koşulu ya da dengesiz tasarımda kare ve çapraz terimler ilişkili olur; o zaman Tip I KT'ler sıraya bağlıdır.

103.5.4 Uyum eksikliği ve saf hata

Aynı faktör bileşimindeki tekrarlar, modelden bağımsız bir hata kestirimi verir. MerQur "saf hata modelini" \mathbf Z ile her ayrı faktör bileşimine bir gösterge değişkeni ekleyerek kurar (280–284):

\text{SS}_{\text{PE}}=\text{SSE}\big(\mathbf Z+\text{bileşim göstergeleri}\big),\qquad \text{sd}_{\text{PE}}=n-\operatorname{rank}[\mathbf Z\,|\,\mathbf G]
\text{SS}_{\text{LOF}}=\text{SSE}-\text{SS}_{\text{PE}},\qquad \text{sd}_{\text{LOF}}=(n-p)-\text{sd}_{\text{PE}},\qquad F_{\text{LOF}}=\frac{\text{SS}_{\text{LOF}}/\text{sd}_{\text{LOF}}}{\text{SS}_{\text{PE}}/\text{sd}_{\text{PE}}}
  • \mathbf G: ayrı faktör bileşimlerinin kuklaları (ilk bileşim referans).
  • Saf hata modeli her bileşime kendi ortalamasını verir; ikinci derece model bunu p parametreyle yapmaya çalışır. Aradaki fark "uyum eksikliği"dir.
  • \text{sd}_{\text{PE}}=0 ya da \text{sd}_{\text{LOF}}=0 ise test yapılmaz ve not yazılır (288, panel 300–301).

Koddaki tercih: bloklu saf hata R `rsm` tanımıyla

Gruplama yalnız faktör değerlerine göre yapılır (280); blok ve ortak değişkenler saf hata modeline toplamsal olarak girer. Bu, R rsm'in loftest tanımıdır (y\sim\text{Blok}+\text{PE}(x_1,x_2,x_3)). Ortak değişken ve blok yoksa klasik "aynı faktör düzeylerindeki tekrarlar içi KT" tanımıyla aynıdır.

103.5.5 Faktör ANOVA'sı

Bir faktörün "herhangi bir" etkisi, o faktörü içeren tüm terimler (doğrusal, kare ve geçtiği tüm çapraz çarpımlar) birlikte çıkarılarak sınanır (300–311):

F_j=\frac{\big[\text{SSE}(\text{indirgenmiş}_j)-\text{SSE}\big]/\text{sd}_j}{\text{KO}_{\text{hata}}},\qquad \text{sd}_j=2+(k-1)
  • \text{sd}_j: çıkarılan terim sayısı; üç faktörde 1+1+2=4.

103.5.6 Kanonik analiz

Kodlanmış katsayılardan \mathbf b ve \mathbf B kurulur (314–318). Yüzeyin gradyanı sıfırlanarak durağan nokta bulunur:

\frac{\partial\hat y}{\partial\mathbf x}=\mathbf b+2\mathbf B\mathbf x=\mathbf 0\ \Rightarrow\ \mathbf x_s=-\tfrac12\mathbf B^{-1}\mathbf b,\qquad \hat y_s=\tilde c_0+\tfrac12\,\mathbf x_s^{\top}\mathbf b
  • \mathbf x_s: kodlanmış durağan nokta; özgün birimde M_j+S_jx_{s,j}.
  • \tilde c_0=\mathbf c^{\top}\bar{\mathbf z}: blok kuklaları ve ortak değişkenler ortalamalarında iken sabit (338–340).

\mathbf B=\mathbf V\boldsymbol\Lambda\mathbf V^{\top} özayrışımıyla eksenler döndürülürse (\mathbf w=\mathbf V^{\top}(\mathbf x-\mathbf x_s)) yüzey kanonik biçime iner:

\hat y=\hat y_s+\sum_{m=1}^{k}\lambda_m w_m^2
  • \lambda_m: \mathbf B'nin özdeğerleri (azalan sırada); \mathbf v_m: özvektörleri (kanonik eksenler).
  • Tüm \lambda_m<0: durağan nokta maksimum; tümü >0: minimum; karışık: eyer noktası.
  • Mutlak değerce küçük \lambda_m: o eksen boyunca yüzey neredeyse düzdür (sırt sistemi).

Koddaki tercih: özvektör işareti ve eşikler

Özvektörlerin işareti matematiksel olarak keyfidir; MerQur her özvektörün mutlak değerce en büyük bileşenini pozitif yapar (_orient, 114–120). R rsm::canonical işareti eigen()'den aldığı gibi bırakır; bu örnekte ilk özvektör R'de ters işaretlidir. Yüzey türü sınıflaması kesin işaret karşılaştırmasıdır; yalnız |\lambda_m|\le10^{-10}\max|\lambda| ise "düz" sayılır ve durağan nokta pinv ile verilir. R canonical() ise mutlak değeri en büyük mutlak özdeğerin %10'undan küçük özdeğerleri (varsayılan threshold = 0.1 * max.eigen) sıfırlayıp durağan noktayı yalnız kalan eksenlerde hesaplar; MerQur aynı %10 eşiğinde yalnız uyarı yazar. MerQur ile R'nin durağan noktası bu eşik devreye girdiğinde farklıdır.

103.5.7 Sırt analizi (Draper 1963)

Durağan nokta deney bölgesinin dışındaysa ya da eyer noktasıysa, merkezden r uzaklıktaki küre üzerinde tahmini en büyük (en küçük) yapan nokta aranır. Lagrange çarpanıyla:

\max_{\lVert\mathbf x\rVert=r}\ \mathbf b^{\top}\mathbf x+\mathbf x^{\top}\mathbf B\mathbf x\ \Rightarrow\ (\mathbf B-\mu\mathbf I)\,\mathbf x=-\tfrac12\mathbf b,\qquad \mathbf x(\mu)=-\tfrac12(\mathbf B-\mu\mathbf I)^{-1}\mathbf b
  • \mu: Lagrange çarpanı. En büyük için \mu>\lambda_{\max}, en küçük için \mu<\lambda_{\min} seçilir; bu bölgede \lVert\mathbf x(\mu)\rVert, \mu uç özdeğerden uzaklaştıkça tekdüze azalır ve her r için tek kök vardır.
  • r: kodlanmış birimde yarıçap; r=1 kodlanmış eksen noktası uzaklığıdır.

Sırt noktasındaki tahminin standart hatası, ortalama yanıtın SH'sidir:

\SH\big(\hat y(\mathbf x)\big)=\sqrt{\mathbf f(\mathbf x)^{\top}(\mathbf X^{\top}\mathbf X)^{-1}\mathbf f(\mathbf x)\;\text{KO}_{\text{hata}}},\qquad \mathbf f(\mathbf x)=(\bar{\mathbf z},\ \mathbf x,\ \mathbf x^{2},\ x_jx_l)

Koddaki tercih: kök bulma ve "zor durum"

\mu, scipy.optimize.brentq ile 10^{-14} göreli toleransla bulunur (150–159); arama aralığı uç özdeğerden başlayıp \lVert\mathbf x\rVert<r olana kadar ikiye katlanır. \mathbf b uç özvektöre dik olduğunda \lVert\mathbf x(\mu)\rVert uç özdeğere yaklaşırken sonsuza gitmez ("zor durum"); kod bu durumda çözümü uç özvektör yönünde tamamlar ve iki adaydan iyisini seçer (138–149). R rsm::steepest ikinci derece modelde aynı Draper yolunu verir, ama koordinatları 3 ondalığa yuvarlar ve tahmini blok için referans düzeyde hesaplar (103.6, Adım 7).

Kanonik ve sırt analizi neden her zaman kodlanmış ölçekte?

"Kodlama yok" seçeneği yalnız katsayı tablosunun ölçeğini belirler; kanonik analiz ve sırt analizi her zaman merkez (\min+\max)/2, yarı aralık 1 olan kodlanmış ölçekte yapılır ve sonuçlar özgün birimlere geri dönüştürülerek de yazılır. Özgün birimlerde merkez faktörlerin sıfır noktasıdır (sıcaklık 0 °C, başlatıcı %0, süre 0 saat): bu örnekte bu noktadaki tahmin −89,34'tür ve deney bölgesinin çok dışındadır. Yarıçap da karışık birimlerde ölçülür ve özdeğerler birimlere bağlı olur (°C için \lambda=-0{,}013), bu da "sırt sistemi" yorumunu birim seçimine bağlar. Kanonik analiz bu yüzden kodlanmış ölçekte yapılır (Myers, Montgomery ve Anderson-Cook 2016); sırt analizinin başlangıç noktası da tasarım merkezidir.

103.6 Elle hesap: örnek veride sayısal yürüyüş

Ara değerler dogrulama/rsm/elle_hesap.py ile, MerQur çağrılmadan numpy ile hesaplanmıştır.

Adım 1 — Kodlama. Sıcaklık için M=(105{,}23+54{,}77)/2=80, S=(105{,}23-54{,}77)/2=25{,}23; başlatıcı için M=0{,}8, S=0{,}505; süre için M=4, S=2{,}52. 1. koşu (65 °C; %0,5; 2,5 saat) kodlanınca

x_1=\frac{65-80}{25{,}23}=-0{,}594530,\qquad x_2=\frac{0{,}5-0{,}8}{0{,}505}=-0{,}594059,\qquad x_3=\frac{2{,}5-4}{2{,}52}=-0{,}595238

Küp noktaları \pm0{,}594'e, eksen noktaları \pm1'e düşer (1/1{,}682=0{,}594).

Adım 2 — OLS. n=120, p=12, \text{sd}_{\text{hata}}=108.

\text{SSE}=226{,}467505,\qquad \text{KO}_{\text{hata}}=2{,}096921,\qquad \sqrt{\text{KO}_{\text{hata}}}=1{,}448075
\text{SST}=13014{,}514637,\qquad R^2=0{,}982599,\qquad R^2_{\text{düz}}=0{,}980827,\qquad \text{DK}=100\times\frac{1{,}448075}{66{,}082167}=2{,}1913

Kodlanmış katsayılar:

Terim Kodlanmış b SH Özgün birim b SH p
Sabit 74,998820 0,305094 −85,329309 6,605422 <0,0001
Blok: PS −3,696250 0,323799 −3,696250 0,323799 <0,0001
Blok: PVC −8,325000 0,323799 −8,325000 0,323799 <0,0001
Sıcaklık 13,080185 0,269057 2,525359 0,123018 <0,0001
Başlatıcı 8,184900 0,269182 23,214743 5,018415 <0,0001
Süre 10,179829 0,268869 7,364024 1,004673 <0,0001
Sıcaklık² −9,489187 0,440483 −0,014907 0,000692 <0,0001
Başlatıcı² −5,233854 0,440615 −20,522907 1,727733 <0,0001
Süre² −5,613020 0,440283 −0,883885 0,069332 <0,0001
Sıcaklık×Başlatıcı 3,576960 0,591789 0,280741 0,046447 <0,0001
Sıcaklık×Süre 2,441928 0,590617 0,038407 0,009289 <0,0001
Başlatıcı×Süre 1,072283 0,591085 0,842593 0,464470 0,0724

Kodlanmış ve özgün katsayıların t ve p değerleri en yüksek dereceli terimlerde aynıdır (kare ve çapraz satırlar); doğrusal terimler ve sabit, merkezin yer değiştirmesiyle farklı bir hipotezi sınar (kodlanmışta "merkezdeki eğim", özgünde "0 noktasındaki eğim").

Adım 3 — Tip I ayrışım.

Kaynak sd Tip I KT R^2 F
Ortak değişkenler (blok) 2 1391,909542 0,1070 331,89
Doğrusal 3 9900,570770 0,7607 1573,83
Kare 3 1376,211820 0,1057 218,77
Çapraz çarpım 3 119,355000 0,0092 18,97
Toplam model 11 12788,047132 0,9826 554,41

Örnek: doğrusal satır F=(9900{,}570770/3)/2{,}096921=1573{,}83. Doğrusal terimler toplam değişkenliğin %76'sını açıklar; eğrilik (%10,6) küçük değildir, bu yüzden düz bir model yetmez.

Adım 4 — Uyum eksikliği. 15 ayrı faktör bileşimi vardır; saf hata modeli 3 blok sütunu ve 14 bileşim kuklası içerir: \text{sd}_{\text{PE}}=120-17=103, \text{sd}_{\text{LOF}}=108-103=5.

\text{SS}_{\text{PE}}=218{,}284272,\qquad \text{SS}_{\text{LOF}}=226{,}467505-218{,}284272=8{,}183233
F_{\text{LOF}}=\frac{8{,}183233/5}{218{,}284272/103}=\frac{1{,}636647}{2{,}119265}=0{,}772271,\qquad p=P(F_{5,\,103}\ge0{,}7723)=0{,}571873

İkinci derece yüzeyin 15 bileşim ortalamasından sapması, tekrarlar arası gürültüden büyük değildir: model yeterlidir. Saf hatanın SS'si \sqrt{2{,}119265}=1{,}456 puandır; Kök MSE (1,448) buna çok yakındır.

Adım 5 — Faktör ANOVA'sı. Sıcaklığı içeren dört terim çıkarılınca SSE 6041{,}504501 artar: F=(6041{,}504501/4)/2{,}096921=720{,}28. Başlatıcı için F=276{,}37, süre için F=404{,}10 (her biri sd 4 ve 108).

Adım 6 — Kanonik analiz. Kodlanmış katsayılardan

\mathbf b=\begin{pmatrix}13{,}080185\\ 8{,}184900\\ 10{,}179829\end{pmatrix},\qquad \mathbf B=\begin{pmatrix}-9{,}489187 & 1{,}788480 & 1{,}220964\\ 1{,}788480 & -5{,}233854 & 0{,}536142\\ 1{,}220964 & 0{,}536142 & -5{,}613020\end{pmatrix}

(köşegen dışı: 3{,}576960/2=1{,}788480 vb.). Özdeğerler \lambda=(-4{,}000515;\ -5{,}991944;\ -10{,}343602); hepsi negatif olduğundan durağan nokta bir maksimumdur. Özvektörler (sütunlar, en büyük bileşen pozitif):

\mathbf V=\begin{pmatrix}0{,}366995 & -0{,}004674 & 0{,}930211\\ 0{,}763307 & -0{,}570036 & -0{,}304010\\ 0{,}531675 & 0{,}821607 & -0{,}205633\end{pmatrix}
\mathbf x_s=-\tfrac12\mathbf B^{-1}\mathbf b=(1{,}094687;\ 1{,}285853;\ 1{,}267746)^{\top}

Özgün birimde: sıcaklık 80+25{,}23\times1{,}094687=107{,}62 °C, başlatıcı %1,449, süre 7,195 saat. Bu noktadaki tahmin, bloklar ortalamada (\bar{\mathbf z}=(1;\ 1/3;\ 1/3)):

\tilde c_0=74{,}998820+\frac{-3{,}696250-8{,}325000}{3}=70{,}991737,\qquad \hat y_s=70{,}991737+\tfrac12(37{,}748725)=89{,}866099

Her üç koordinat da 1'den büyüktür: tepe, deney bölgesinin dışındadır (eksen noktalarının da ötesinde). MerQur dış değerleme uyarısı yazar. En küçük |\lambda| (4,0) en büyüğünün (10,3) %39'udur; sırt sistemi uyarısı çıkmaz.

Adım 7 — Sırt analizi (r=0{,}5, en büyük). \mu, \lVert\mathbf x(\mu)\rVert=0{,}5 denkleminin \mu>\lambda_{\max}=-4{,}000515 kökü: \mu=13{,}685658.

\mathbf x(\mu)=-\tfrac12(\mathbf B-13{,}685658\,\mathbf I)^{-1}\mathbf b=(0{,}317175;\ 0{,}254534;\ 0{,}290882)^{\top},\qquad \lVert\mathbf x\rVert=0{,}5

Özgün birimde 88,00 °C; %0,929; 4,733 saat. Tahmin \hat y=79{,}009738, \SH=0{,}245523. Yol r=1'de 94,74 °C; %1,079; 5,499 saat noktasına, \hat y=84{,}742158'e (\SH=0{,}460671) ulaşır. Merkezde (r=0) tahmin 70,991737'dir (\SH=0{,}241109). SH, r=0{,}3'e kadar hafifçe azalır (0,2369), sonra hızla artar: merkezi bileşik tasarım bilgiyi merkez çevresindeki bir kabukta yoğunlaştırır, dışarıya doğru tahmin belirsizleşir.

R rsm::steepest aynı yolu verir (3 ondalık) ama tahmin sütunu 74,999 ile başlar: R, blok etkisini referans düzeyde (PMMA) alır; MerQur blokların ortalamasını alır. Fark (3{,}696250+8{,}325000)/3=4{,}007083'tür.

Şekil 103.1. Süre merkezde (4 saat), bloklar ortalamada iken sıcaklık × başlatıcı konturu. Gri noktalar tasarım noktalarının izdüşümü, noktalı elips kodlanmış r=1 çemberinin bu düzlemdeki izi; turuncu yol en büyük, yeşil yol en küçük sırt yoludur (üç boyutlu yolun izdüşümü). Yıldız, durağan noktanın bu düzleme izdüşümüdür (gerçek nokta 7,2 saattedir).

103.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundaki RSMResult alanlarından alınmıştır; motor round kullanmaz. R: 4.5.3, rsm 2.10.6: coded.data (MerQur'un M, S değerleriyle), rsm(Donusum_Yuzde ~ Polimer_Tipi + SO(x1, x2, x3)), loftest, canonical, steepest; Tip I ve faktör ANOVA'sı iç içe lm modelleriyle; özgün birim katsayıları ayrı lm; sırt yolu R'de uniroot ile kesin çözülmüştür (steepest 3 ondalığa yuvarladığı için), sırt tahmini ve SH'si blok kuklaları ortalamada vcov ile. Özvektörler karşılaştırılmadan önce aynı işaret kuralıyla yönlendirilmiştir. Uyum eksikliği rsm::loftest ile alınmıştır.

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Kök MSE 1,448075 1,448075 1,448075 6,4e−15 ✓
R^2 0,982599 0,982599 0,982599 3,3e−16 ✓
Düzeltilmiş R^2 0,980827 0,980827 0,980827 2,2e−16 ✓
Model F_{11,\,108} 554,407891 554,407891 554,407891 3,6e−12 ✓
Tip I KT: bloklar 1391,909542 1391,909542 1391,909542 7,7e−12 ✓
Tip I KT: doğrusal 9900,570770 9900,570770 9900,570770 5,5e−12 ✓
Tip I KT: kare 1376,211820 1376,211820 1376,211820 3,2e−12 ✓
Tip I KT: çapraz çarpım 119,355000 119,355000 119,355000 1,1e−12 ✓
Uyum eksikliği KT 8,183233 8,183233 8,183233 1,4e−13 ✓
Saf hata KT 218,284272 218,284272 218,284272 7,4e−13 ✓
Uyum eksikliği F_{5,\,103} 0,772271 0,772271 0,772271 1,3e−14 ✓
Uyum eksikliği p 0,571873 0,571873 0,571873 6,9e−15 ✓
Kodlanmış b: Sabit 74,998820 74,998820 74,998820 9,9e−14 ✓
Kodlanmış b: x_1 13,080185 13,080185 13,080185 5,7e−14 ✓
Kodlanmış b: x_1^2 −9,489187 −9,489187 −9,489187 3,7e−14 ✓
Kodlanmış b: x_1x_2 3,576960 3,576960 3,576960 4,5e−14 ✓
Kodlanmış SH: x_1 0,269057 0,269057 0,269057 1,1e−15 ✓
Kodlanmış SH: x_1^2 0,440483 0,440483 0,440483 2,0e−15 ✓
Kodlanmış SH: x_2x_3 0,591085 0,591085 0,591085 1,4e−15 ✓
Özgün birim b: Sabit −85,329309 −85,329309 −85,329309 2,1e−10 ✓
Özgün birim b: x_1 2,525359 2,525359 2,525359 3,1e−12 ✓
Özgün birim b: x_2 23,214743 23,214743 23,214743 1,7e−10 ✓
Özgün birim b: x_1^2 −0,014907 −0,014907 −0,014907 1,4e−14 ✓
Özgün birim b: x_2x_3 0,842593 0,842593 0,842593 4,9e−12 ✓
Özgün birim SH: x_2 (başlatıcı) 5,018415 5,018415 5,018415 4,8e−12 ✓
Özgün birim p: x_2x_3 0,072440 0,072440 0,072440 1,6e−12 ✓

Faktör ANOVA'sı, kanonik analiz ve sırt analizi:

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Faktör ANOVA F: Sicaklik 720,282681 720,282681 720,282681 4,2e−12 ✓
Faktör ANOVA F: Baslatici 276,371374 276,371374 276,371374 1,1e−12 ✓
Faktör ANOVA F: Reaksiyon 404,104235 404,104235 404,104235 2,2e−12 ✓
Özdeğer \lambda_1 −4,000515 −4,000515 −4,000515 6,9e−14 ✓
Özdeğer \lambda_2 −5,991944 −5,991944 −5,991944 1,5e−13 ✓
Özdeğer \lambda_3 −10,343602 −10,343602 −10,343602 6,0e−14 ✓
Özvektör 1, 1. bileşen (yönlendirilmiş) 0,366995 0,366995 0,366995 4,3e−15 ✓
Özvektör 2, 1. bileşen (yönlendirilmiş) −0,004674 −0,004674 −0,004674 1,6e−14 ✓
Özvektör 3, 1. bileşen (yönlendirilmiş) 0,930211 0,930211 0,930211 1,3e−15 ✓
Durağan nokta x_{s,1} (kodlanmış) 1,094687 1,094687 1,094687 1,2e−14 ✓
Durağan nokta x_{s,2} (kodlanmış) 1,285853 1,285853 1,285853 1,9e−14 ✓
Durağan nokta x_{s,3} (kodlanmış) 1,267746 1,267746 1,267746 4,2e−14 ✓
Durağan nokta: sıcaklık (°C) 107,618948 107,618948 107,618948 2,6e−13 ✓
Durağan noktada tahmin \hat y_s 89,866099 89,866099 — 2,1e−13 ✓
Sırt (en büyük) r = 0{,}5 0,317175 0,317175 0,317175 1,4e−15 ✓
Sırt tahmini r = 0{,}5 79,009738 79,009738 79,009738 9,9e−14 ✓
Sırt tahmini SH r = 0{,}5 0,245523 0,245523 0,245523 4,7e−16 ✓
Sırt (en büyük) r = 1{,}0 0,584084 0,584084 0,584084 3,1e−15 ✓
Sırt tahmini r = 1{,}0 84,742158 84,742158 84,742158 2,8e−14 ✓
Sırt tahmini SH r = 1{,}0 0,460671 0,460671 0,460671 1,1e−15 ✓
Sırt (en küçük) r = 1: x_1 −0,899578 −0,899578 −0,899578 3,6e−15 ✓
Sırt (en küçük) r = 1: tahmin 46,477554 46,477554 46,477554 5,0e−14 ✓
R sırası Tip I KT: TWI 119,355000 119,355000 119,355000 9,1e−13 ✓
Kodlama yok: özdeğer \lambda_1 (kodlanmış ölçek) −4,000515 −4,000515 −4,000515 6,9e−14 ✓
Kodlama yok: durağan nokta, sıcaklık (°C) 107,618948 107,618948 107,618948 2,6e−13 ✓
Kodlama yok: sırt tahmini r = 1 84,742158 84,742158 84,742158 2,8e−14 ✓

52 büyüklüğün tamamı 10^{-10} ya da daha iyi düzeyde eşleşir. "Kodlama yok" çalıştırmasında kanonik ve sırt analizi kodlanmış ölçekte yapıldığından son üç satır varsayılan kodlamanın sonuçlarıyla aynıdır. Durağan noktadaki tahminin R karşılığı yoktur (rsm bu değeri vermez); Python ile eşleşmesi gösterilmiştir.

103.7 Çıktıyı okuma

Sonuç metni (blok seçili, varsayılan ayarlar, kısaltılmış):

── YANIT YÜZEYİ: Donusum_Yuzde ──
  Yanıt ortalaması                         66.082167
  Kök MSE                                   1.448075
  R²                                          0.9826
  Düzeltilmiş R²                              0.9808
  Değişim katsayısı (%)                       2.1913
── REGRESYON AYRIŞIMI (Tip I) ──
  Ortak değişkenler        2       1391.909542   0.1070      331.89   <.0001
  Doğrusal                 3       9900.570770   0.7607     1573.83   <.0001
  Kare                     3       1376.211820   0.1057      218.77   <.0001
  Çapraz çarpım            3        119.355000   0.0092       18.97   <.0001
  Uyum eksikliği           5          8.183233        1.636647      0.77   0.5719
  Saf hata               103        218.284272        2.119265
── KANONİK ANALİZ (kodlanmış katsayılar) ──
  Sicaklik_C                     1.094687      107.618948
  Baslatici_Yuzde_w_w            1.285853        1.449356
  Reaksiyon_Suresi_saat          1.267746        7.194721
  Durağan noktada tahmin: 89.866099
       -4.000515     0.366995     0.763307     0.531675
  Durağan nokta: maksimum.
── SIRT ANALİZİ: EN BÜYÜK YANIT ──
     0.500     79.009738    0.245523     88.002322      0.928540      4.733023
     1.000     84.742158    0.460671     94.736432      1.078968      5.498684
── UYARILAR ──
  - Durağan nokta deney bölgesinin dışında (kodlanmış |x| > 1); tahmin dış değerlemedir.
Öğe Ne yazar Nasıl yorumlanır
Faktör kodlaması M ve S Kodlanmış ölçeğin anahtarı; sırt yarıçapı bu ölçektedir.
Tip I tablo Grup KT, R^2 payı, F Kare satırı anlamlıysa eğrilik vardır; bir en iyi nokta aramak anlamlıdır.
Uyum eksikliği F, p p\ge0{,}05: ikinci derece model yeterli. p<0{,}05 ise uyarı çıkar (343–344); daha yüksek dereceli model ya da dönüşüm gerekir.
Katsayılar Özgün birimde kestirim; son sütun kodlanmış Kodlanmış katsayılar faktörlerin göreli önemini karşılaştırmak için uygundur.
Faktör ANOVA'sı Her faktörün tüm terimleri Faktörün yanıt üzerinde herhangi bir etkisi var mı?
Kanonik analiz \mathbf x_s, \hat y_s, özdeğer/özvektör, tür Özdeğer işaretleri yüzey türünü, büyüklükleri eğriliğin yönlere göre şiddetini verir.
Sırt analizi Yarıçap, tahmin, SH, faktör düzeyleri Deney bölgesinde kalarak ulaşılabilecek en iyi tahmin; durağan nokta dışarıdaysa önerilecek koşul buradan seçilir.
Uyarılar Dış değerleme, sırt sistemi, tekil \mathbf B, uyum eksikliği response_surface.py:327–349.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

Dönüşüm yüzdesi, sıcaklık, başlatıcı oranı ve reaksiyon süresinin ikinci dereceden yanıt yüzeyi modeliyle, polimer türü blok olarak alınarak incelendi (N = 120). Model yanıttaki değişkenliğin büyük bölümünü açıkladı, R^2 = 0{,}98, F(11, 108) = 554{,}41, p < 0{,}001; uyum eksikliği anlamlı değildi, F(5, 103) = 0{,}77, p = 0{,}572. Kanonik analiz, tüm özdeğerler negatif olduğundan (-4{,}00; -5{,}99; -10{,}34) bir maksimum gösterdi; ancak durağan nokta (107,6 °C; %1,45 başlatıcı; 7,19 saat; tahmin edilen dönüşüm %89,9) deney bölgesinin dışındaydı. Sırt analizine göre deney bölgesinin sınırında (r = 1) en yüksek tahmin, 94,7 °C, %1,08 başlatıcı ve 5,5 saatte %84,7'dir (SH = 0{,}46).

103.8 Uzman soruları

S1. Kodlama verinin uçlarından yapılıyor. Küp noktaları neden ±1 değil?

run_rsm M ve S'yi verideki en büyük ve en küçük değerden hesaplar (189–195). Merkezi bileşik tasarımda uç değerler eksen noktalarıdır (\pm\alpha); bu yüzden eksenler \pm1'e, küp noktaları \pm1/\alpha'ya düşer. Kodlanmış katsayılar, \mathbf B, özdeğerler ve sırt yarıçapları buna göre ölçeklenir; özgün birim katsayıları, KT'ler ve durağan noktanın özgün koordinatları kodlamadan bağımsızdır.

S2. Durağan nokta tahmininde bloklar nasıl ele alınıyor? R neden farklı sayı veriyor?

MerQur blok kuklalarını ve ortak değişkenleri ortalamalarında tutar (cbar, 338–340); dengeli üç blokta her kukla 1/3'tür ve tahmin "ortalama bir polimer" içindir. R rsm::steepest tahmin sütununda blokları referans düzeyde (ilk düzey) alır; bu örnekte iki tahmin 4,007 puan farklıdır. Koordinatlar aynıdır, çünkü blok yalnız yüzeyi yukarı-aşağı kaydırır.

S3. Uyum eksikliği testi bloklarla nasıl hesaplanıyor?

Saf hata modeli \mathbf Z (sabit + blok kuklaları) ile faktör bileşim kuklalarından oluşur; bu R rsm tanımıdır. Bloksuz modelde klasik "tekrar içi KT"yle özdeştir. Blok ile bileşimler toplamsal girer; blok × bileşim etkileşimi saf hataya katılmaz. Bu örnekte blok kullanılmasaydı saf hata KT'si polimerler arası farkları da içerirdi (1610,19; sd 105) ve test çok daha "hoşgörülü" olurdu (F=0{,}11).

S4. Bir özdeğer sıfıra çok yakınsa ne olur?

|\lambda_m|\le10^{-10}\max|\lambda| ise \mathbf B tekil sayılır, \mathbf x_s Moore–Penrose sözde tersiyle verilir ve yüzey türü "düz bölge" olur (324–327). |\lambda_m|<0{,}1\max|\lambda| ise sırt sistemi uyarısı yazılır: yüzey o özvektör yönünde neredeyse düzdür ve durağan nokta konumu çok belirsizdir; kararı sırt analizine bakarak vermek gerekir. R canonical() aynı göreli eşiğin altındaki özdeğerleri sıfırlayıp durağan noktayı yeniden hesaplar; MerQur bunu yapmaz, yalnız uyarır.

S5. Sırt yolunda \mu neden \lambda_{\max}'tan büyük seçiliyor?

Lagrange koşulu (\mathbf B-\mu\mathbf I)\mathbf x=-\mathbf b/2 her \mu için bir durağan nokta verir; bunlardan en büyük değer veren \mathbf B-\mu\mathbf I'nın negatif tanımlı olduğu, yani \mu>\lambda_{\max} olan dalda bulunur (Draper 1963). Bu dalda \lVert\mathbf x(\mu)\rVert, \mu\to\lambda_{\max}^{+} iken sonsuza gider, \mu\to\infty iken sıfıra iner; dolayısıyla her r için tek kök vardır ve brentq ile güvenle bulunur.

S6. Ayrışım sırası sonucu değiştirir mi?

Yalnız Tip I KT'lerin dağılımını ve onların F'lerini değiştirir; katsayılar, toplam model, uyum eksikliği, kanonik ve sırt analizi değişmez. Bu örnekte tasarım dik olduğundan kare (1376,21) ve çapraz (119,355) KT'leri iki sırada da aynıdır.

S7. Kodlanmış ve özgün katsayıların t değerleri neden farklı?

En yüksek dereceli terimler (kare ve çapraz) iki parametrelemede orantılıdır, t ve p aynı çıkar. Doğrusal terimler ve sabit, merkezin taşınmasıyla farklı büyüklükleri ölçer: kodlanmışta faktör merkezdeyken eğim, özgünde faktör sıfırdayken eğim. Örneğin başlatıcının doğrusal t'si kodlanmışta 30,4, özgünde 4,63'tür. Doğrusal terimlerin yorumunda kodlanmış katsayıları kullanın.

S8. Tasarımda tekrar olmasaydı?

Saf hata sd'si 0 olur ve test yapılmaz; metne "Uyum eksikliği testi yapılamadı" notu yazılır (panel 300–301). Bu durumda modelin yeterliliği artık grafikleriyle ve bilinen fiziksel/kimyasal kısıtlarla değerlendirilmelidir.

103.9 Sık hatalar ve tuzaklar

  • Durağan noktayı öneri olarak raporlamak. Bu örnekte en iyi nokta deney bölgesinin dışındadır (107,6 °C). İkinci derece yüzey dışarıda güvenilmez; öneri sırt yolundan ve doğrulama deneyinden gelmelidir.
  • "Kodlama yok" seçeneğinin kanonik ve sırt analizini değiştirdiğini sanmak. Bu seçenek yalnız katsayı tablosunun ölçeğini değiştirir; kanonik ve sırt analizi kodlanmış ölçekte yapılır ve özgün birimlere geri dönüştürülerek yazılır.
  • Kodlanmış yarıçapı küp sınırı sanmak. r=1 eksen noktası uzaklığıdır (merkezi bileşikte \alpha); küp köşeleri r=\sqrt{3}\times0{,}594=1{,}03'tedir.
  • Blok etkisini unutmak. Bloklar ortalamada tahmin verilir; belirli bir polimer için tahmin isteniyorsa blok farkı eklenmelidir (PS: −3,70; PVC: −8,33).
  • İki düzeyli faktörle yüzey kurmak. Kare terim kestirilemez; MerQur tekil tasarım hatası verir.
  • Özvektör işaretine anlam yüklemek. İşaret keyfidir; MerQur en büyük bileşeni pozitif yapar, R yapmaz.
  • Uyum eksikliği anlamsızlığını "model doğru" diye okumak. Saf hata büyükse test güçsüzdür; tekrar sayısı az ise kanıt zayıftır.
  • Grafikteki "diğer faktörler" düzeyi. Kontur ve 3B grafik üçüncü faktörü kodlanmış ortalamasında sabitler (364–378); kesit başka bir düzeyde istenirse farklı görünür.

103.10 Kaynaklar

  • Box, G. E. P., & Wilson, K. B. (1951). On the experimental attainment of optimum conditions. Journal of the Royal Statistical Society: Series B (Methodological), 13(1), 1–38. https://doi.org/10.1111/j.2517-6161.1951.tb00067.x
  • Draper, N. R. (1963). "Ridge analysis" of response surfaces. Technometrics, 5(4), 469–479. https://doi.org/10.1080/00401706.1963.10490125
  • Lenth, R. V. (2009). Response-surface methods in R, using rsm. Journal of Statistical Software, 32(7). https://doi.org/10.18637/jss.v032.i07
  • Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2016). Response surface methodology: Process and product optimization using designed experiments (4. baskı). Wiley.
  • SAS Institute. (2018). SAS/STAT 15.1 user's guide: The RSREG procedure. SAS Institute Inc.