使用“筛选设计”平台构造针对五个因子的 12 次试验 Plackett-Burman 设计。为便于完成“筛选”窗口,使用了“加载响应”和“加载因子”命令。
1. 选择实验设计 > 经典 > 两水平筛选 > 筛选设计。
2. 选择帮助 > 样本数据文件夹,然后打开 Design Experiment/Reactor Response.jmp。
3. 点击“筛选设计”红色小三角并选择加载响应。
4. 选择帮助 > 样本数据文件夹,然后打开 Design Experiment/Reactor Factors.jmp。
5. 点击“筛选设计”红色小三角并选择加载因子。
加载响应和加载因子来命令使用响应和因子名称、响应的目标和限值以及因子值来填充“响应”和“因子”部分。要了解完成的“响应”和“因子”部分,请参见图 10.15。
6. 点击继续。
注意:在下一步设置随机种子将重现本例中所示的试验顺序。自行构造设计时,该步骤不是必需的。
7. (可选)点击“筛选设计”红色小三角,选择设置随机种子,键入 34567,然后点击确定。
8. 从“选择筛选类型”面板中,接受默认选择从部分析因设计列表中选择,然后点击继续。
9. 选择 Plackett-Burman 设计。
试验规模不是 2 的幂的 Plackett-Burman 设计倾向于具有复杂的别名结构。尤其是主效应可能与几个双因子交互作用有部分别名关系。请参见评估设计。我们看到 12 次试验的 Plackett-Burman 设计的分辨率指定为 3。
图 10.22 显示 Plackett-Burman 筛选设计的设计列表
10. 点击继续。
11. 点击制表。
图 10.23 Placket-Burman 设计的设计表
设计表中包含名为反应百分比的列。您应按表中所示的顺序执行试验,并在反应百分比列中记录结果。
1. 返回到“筛选设计”窗口。若您关闭了该窗口,请运行设计表中的“实验设计对话框”脚本。
2. 打开设计评估 > 相关性色图部分。
图 10.24 绝对相关性色图
对角单元格的相关性为 1,这符合预期。白色单元格对应于效应间相关性等于 0 的情形。灰色和黑色单元格对应于效应间相关性大于 0 的情形。悬停在单元格上方可查看涉及的效应及其绝对相关性。例如,我们看到进料速度与几个双因子和三因子交互作用相关。
注意:筛选设计中的色图包含针对 8 个或不足 8 个因子的设计的三因子交互作用。设计评估脚本中的色图仅包含至多两个因子的交互作用。
3. 打开“别名矩阵”。
图 10.25 别名矩阵 - 最多显示双因子交互作用的部分视图
因为设计对于主效应是正交的,“别名矩阵”给出两个效应之间的相关性的数值。请参见“别名矩阵”。 例如,我们看到进料速度与 6 个双因子交互作用和 4 个三因子交互作用具有部分别名关系。这些是对应于“进料速度”行中的 0.333 和 -0.33 条目的交互作用。
数据表 Plackett-Burman.jmp 包含设计的实验的结果。回想一下,您曾怀疑温度*浓度交互作用是活跃的。以下您将假设这是唯一可能活跃的交互作用。
1. 选择帮助 > 样本数据文件夹,然后打开 Design Experiment/Plackett-Burman.jmp。
2. 通过点击左边的图标运行模型脚本。
3. 在“选择列”列表中选择温度,在“构造模型效应”列表中选择浓度。
4. 点击交叉。
5. 点击运行。
图 10.26 完全模型的参数估计值
“预测值-实际值”图指示不存在模型失拟。“参数估计值”报表显示催化剂在 0.05 水平显著,浓度*温度交互作用在 0.10 水平几乎是显著的。
您想确定对响应影响最大的那些效应。为了更清楚地看到这些活跃效应,使用“效应汇总”部分去除了不显著的效应。
图 10.27 完全模型的效应汇总
尽管浓度是最不显著的效应,但是在高阶交互作用(浓度*温度)中会涉及它,这用 p 值右侧的补注符号来指示。根据效应遗传的原则,当在模型中保留浓度*温度交互作用时,不应将浓度从模型中删除。请参见“效应遗传”。下一个最不显著的效应为搅拌速度。
1. 在“效应汇总”部分中,选择搅拌速度并点击删除。
进料速度是下一个最不显著的效应,可以删除它。
2. 在“效应汇总”部分中,选择进料速度并点击删除。
图 10.28 简化模型的效应汇总
p 值列指示催化剂主效应和浓度*温度交互作用在 0.05 水平上都是显著的。不能再进一步简化模型了。若所有其他交互作用不活跃或忽略不计,则您可以得出结论:催化剂和浓度*温度交互作用是活跃的效应。