DOE-Effektanalyse

Was ist die DOE-Effektanalyse?

Die Effektanalyse quantifiziert den Einfluss jedes Faktors und jeder Wechselwirkung auf die Zielgröße eines faktoriellen Versuchs. Ein Haupteffekt ist die Änderung der mittleren Zielgröße, wenn ein Faktor von seiner niedrigen Stufe (-1) auf die hohe Stufe (+1) wechselt. Ein Wechselwirkungseffekt liegt vor, wenn die Wirkung eines Faktors von der Stufe eines anderen abhängt.

Der Effektschätzwert jedes Terms ergibt sich als Differenz zwischen der mittleren Zielgröße auf der hohen Stufe und der mittleren Zielgröße auf der niedrigen Stufe. Die ANOVA (Varianzanalyse) zerlegt die Gesamtstreuung in die Beiträge der einzelnen Faktoren und Wechselwirkungen und prüft die statistische Signifikanz über F-Tests.

Das Pareto-Diagramm der Effekte ordnet alle Terme nach dem Betrag ihres Effekts und macht es leicht, die 'wenigen wesentlichen' signifikanten Faktoren zu erkennen. R² gibt an, welcher Anteil der Gesamtstreuung durch das Modell erklärt wird. Der prozentuale Beitrag jedes Terms zeigt seine relative Bedeutung.

Formula: Effect = Ȳ(+1) - Ȳ(-1) SS = (Effect² x N) / 4 % Contribution = SS_factor / SS_total x 100 R² = SS_model / SS_total R²_adj = 1 - (1-R²)(N-1)/(N-p-1)

Berechnungsbeispiel

Ein 2²-faktorieller Versuch mit den Faktoren A und B. Zielgrößen: (−,−)=10, (+,−)=14, (−,+)=12, (+,+)=20. Effekt A = ((14+20)/2) - ((10+12)/2) = 17 - 11 = 6. Effekt B = ((12+20)/2) - ((10+14)/2) = 16 - 12 = 4. Wechselwirkung AB = ((10+20)/2) - ((14+12)/2) = 15 - 13 = 2. Faktor A hat den größten Effekt.

Wann diesen Rechner verwenden

• Nach der Durchführung eines Faktorenexperiments um festzustellen, welche Faktoren und Wechselwirkungen statistisch signifikante Effekte auf die Zielgröße haben
• In der Analysephase eines Six Sigma DMAIC-Projekts zur Identifizierung der wenigen entscheidenden Faktoren aus einem geplanten Experiment
• Beim Aufbau eines Vorhersagemodells für die Prozessoptimierung — Effektschätzungen und ANOVA liefern Koeffizienten und Signifikanzniveaus für das Modell
• Bei der Entscheidung welche Faktoren in eine Response-Surface-Studie mitgenommen werden — nur signifikante Faktoren aus dem Screening-Experiment einbeziehen
• Bei der Experimentberichterstattung zur Präsentation einer klaren, quantifizierten Zusammenfassung der Faktorbeiträge mittels Pareto-Diagrammen und Prozenttabellen

Häufige Fehler vermeiden

• Wechselwirkungseffekte ignorieren und nur Haupteffekte analysieren — Wechselwirkungen können genauso groß oder größer sein als Haupteffekte; immer mindestens 2-Faktor-Wechselwirkungen prüfen
• Schlussfolgerungen aus nicht-replizierten Experimenten ohne Verständnis der Vermischung ziehen — in nicht-replizierten fraktionellen Plänen sind Effekte vermischt; die Vermischungsstruktur des Designs kennen
• Prozentbeiträge ohne statistische Signifikanz überinterpretieren — ein Faktor kann zufällig 15% Beitrag zeigen; immer F-Test-p-Werte prüfen oder Normal-Wahrscheinlichkeitsplots verwenden
• Alle möglichen Wechselwirkungen ungeachtet der Signifikanz ins Modell aufnehmen — dies überanpasst das Modell und verbraucht Fehler-Freiheitsgrade; hierarchische Modellierung verwenden (Wechselwirkungen nur einbeziehen wenn die entsprechenden Haupteffekte signifikant sind)

Ergebnisse interpretieren

• Beginnen Sie mit dem Effekt-Pareto-Diagramm — Terme mit deutlich höheren Balken als der Rest sind die wesentlichen Wenigen; ein scharfer Abfall nach 2-3 Termen ist das typische „Sparsity-of-Effects“-Muster
• Das Vorzeichen einer Effektschätzung zeigt die Richtung: Eine positive Schätzung bedeutet, dass das Verstellen des Faktors von −1 auf +1 die mittlere Antwort um diesen Betrag erhöht; eine negative Schätzung senkt sie
• Beitrag (%) zeigt den Anteil jedes Terms an der Gesamtvariation — Terme mit wenigen Prozent oder weniger sind meist Rauschen, selbst wenn sie im Diagramm erscheinen
• In der ANOVA-Tabelle markiert ein p-Wert unter 0,05 einen statistisch signifikanten Term — in gesättigten Designs (keine Wiederholungen bei vollem Modell) gibt es jedoch keine Residual-Freiheitsgrade, sodass F und p nicht berechenbar sind; greifen Sie dann auf das Pareto-Diagramm und die Beitragsprozente zurück
• Vergleichen Sie R² mit dem korrigierten R² — eine große Lücke bedeutet, dass das Modell insignifikante Terme mitschleppt; passen Sie das Modell mit weniger Wechselwirkungsordnungen neu an und beobachten Sie, ob sich das korrigierte R² verbessert

Zugehörige Normen & Referenzen

• NIST/SEMATECH e-Handbook Kapitel 5 — Prozessverbesserung durch geplante Experimente, einschließlich Effektanalysemethodik
• ISO 3534-3 — Statistisches Vokabular für Versuchsplanung, definiert Begriffe für Effekt, Wechselwirkung und Vermischung
• AIAG APQP 3. Ausgabe — Empfiehlt DOE-Effektanalyse zur Prozessparameteroptimierung bei der Anlaufvorbereitung

Häufig gestellte Fragen

Woran erkenne ich, ob ein Effekt statistisch signifikant ist?

Liegen Wiederholungen vor, verwenden Sie die ANOVA: Ist der p-Wert der F-Statistik < α (typischerweise 0.05), ist der Effekt signifikant. Ohne Wiederholungen nutzen Sie die Methode von Lenth oder ein Normalwahrscheinlichkeitsnetz der Effekte — Effekte, die von der Geraden abweichen, sind signifikant. Auch das Pareto-Diagramm hilft, weil es zeigt, welche Effekte deutlich größer sind als die übrigen.

Was ist der Unterschied zwischen Haupteffekten und Wechselwirkungseffekten?

Ein Haupteffekt ist die mittlere Änderung der Zielgröße durch das Verstellen eines Faktors, unabhängig von den Stufen der übrigen Faktoren. Ein Wechselwirkungseffekt bedeutet, dass die Wirkung eines Faktors von der Stufe eines anderen abhängt. Erhöht beispielsweise die Temperatur die Ausbeute bei niedrigem Druck um 10 %, bei hohem Druck aber nur um 2 %, so liegt eine Wechselwirkung Temperatur×Druck vor. Werden Wechselwirkungen ignoriert, kann das zu falschen Schlussfolgerungen führen.