DOE प्रभाव विश्लेषक
फैक्टोरियल प्रयोगों से मुख्य प्रभावों और अंतःक्रियाओं का विश्लेषण. 2-स्तरीय फैक्टोरियल डिज़ाइन के लिए पैरेटो चार्ट का उपयोग करके कारक प्रभावों का अनुमान लगाएं…
2-स्तरीय फैक्टोरियल डिज़ाइन के लिए पैरेटो चार्ट का उपयोग करके कारक प्रभावों का अनुमान लगाएं, ANOVA चलाएं और महत्वपूर्ण कारकों की पहचान करें।
DOE प्रभाव विश्लेषण क्या है?
प्रभाव विश्लेषण फैक्टोरियल प्रयोग में अनुक्रिया चर (response variable) पर प्रत्येक कारक और अन्योन्यक्रिया के असर को मात्रात्मक रूप देता है। मुख्य प्रभाव (main effect) वह परिवर्तन है जो किसी कारक के निम्न (-1) स्तर से उच्च (+1) स्तर पर जाने पर औसत अनुक्रिया में आता है। अन्योन्यक्रिया प्रभाव तब उत्पन्न होता है जब एक कारक का प्रभाव दूसरे कारक के स्तर पर निर्भर करता है।
प्रत्येक पद का प्रभाव आकलन उच्च स्तर पर औसत अनुक्रिया और निम्न स्तर पर औसत अनुक्रिया के अंतर के रूप में निकाला जाता है। ANOVA (प्रसरण विश्लेषण) कुल परिवर्तनशीलता को प्रत्येक कारक और अन्योन्यक्रिया के योगदानों में विभाजित करता है और F-परीक्षणों के माध्यम से सांख्यिकीय सार्थकता की जाँच करता है।
प्रभावों का Pareto चार्ट सभी पदों को उनके निरपेक्ष प्रभाव आकार के अनुसार क्रमबद्ध करता है, जिससे 'महत्वपूर्ण कुछ' सार्थक कारकों को पहचानना आसान हो जाता है। R² बताता है कि कुल विचरण का कितना भाग मॉडल द्वारा समझाया गया है। प्रत्येक पद का प्रतिशत योगदान उसका सापेक्ष महत्व दर्शाता है।
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)
गणना उदाहरण
कारकों A और B के साथ एक 2² फैक्टोरियल। अनुक्रियाएँ: (−,−)=10, (+,−)=14, (−,+)=12, (+,+)=20। प्रभाव A = ((14+20)/2) - ((10+12)/2) = 17 - 11 = 6। प्रभाव B = ((12+20)/2) - ((10+14)/2) = 16 - 12 = 4। अन्योन्यक्रिया AB = ((10+20)/2) - ((14+12)/2) = 15 - 13 = 2। कारक A का प्रभाव सबसे बड़ा है।
इस कैलकुलेटर का उपयोग कब करें
- factorial प्रयोग चलाने के बाद यह निर्धारित करने के लिए कि कौन से कारक और interactions का response पर सांख्यिकीय रूप से महत्वपूर्ण प्रभाव है
- Six Sigma DMAIC प्रोजेक्ट के Analyze चरण के दौरान designed experiment से कुछ महत्वपूर्ण कारकों की पहचान करने के लिए
- प्रक्रिया अनुकूलन के लिए predictive model बनाते समय — effect estimates और ANOVA model के लिए coefficients और significance levels प्रदान करते हैं
- यह तय करते समय कि कौन से कारक response surface study में ले जाने हैं — केवल screening experiment से महत्वपूर्ण कारक शामिल किए जाने चाहिए
- Pareto charts और percent contribution tables का उपयोग करके कारक योगदान का स्पष्ट, मात्रात्मक सारांश प्रस्तुत करने के लिए प्रयोग रिपोर्टिंग के दौरान
बचने योग्य सामान्य गलतियाँ
- interaction effects की अनदेखी और केवल main effects का विश्लेषण — interactions main effects जितनी बड़ी या बड़ी हो सकती हैं; हमेशा कम से कम 2-factor interactions जांचें
- confounding को समझे बिना unreplicated experiments से निष्कर्ष निकालना — unreplicated fractional factorials में effects aliased होते हैं; अपने design की alias structure जानें
- सांख्यिकीय महत्व के बिना percent contribution की अधिक व्याख्या — एक कारक संयोग से 15% contribution दिखा सकता है; हमेशा F-test p-values जांचें
- significance की परवाह किए बिना model में सभी संभावित interactions शामिल करना — यह model को overfit करता है; hierarchical modeling का उपयोग करें
परिणामों की व्याख्या कैसे करें
- प्रभाव पैरेटो चार्ट से शुरू करें — जिन पदों की बार बाकी से कहीं ऊंची हैं वे महत्वपूर्ण कुछ हैं; 2-3 पदों के बाद तीव्र गिरावट 'प्रभावों की विरलता' का सामान्य पैटर्न है
- प्रभाव अनुमान का चिह्न दिशा बताता है: धनात्मक अनुमान का अर्थ है कि उस फैक्टर को −1 से +1 ले जाने पर औसत प्रतिक्रिया उतनी मात्रा से बढ़ती है; ऋणात्मक अनुमान उसे घटाता है
- योगदान (%) कुल भिन्नता में हर पद का हिस्सा दिखाता है — कुछ प्रतिशत या उससे कम योगदान देने वाले पद आमतौर पर शोर होते हैं, भले ही वे चार्ट में दिखें
- ANOVA तालिका में 0.05 से कम p-मान सांख्यिकीय रूप से सार्थक पद दर्शाता है — लेकिन संतृप्त डिजाइनों में (पूर्ण मॉडल के साथ बिना प्रतिकृति) कोई अवशिष्ट स्वतंत्रता कोटि नहीं बचती, इसलिए F और p की गणना नहीं हो सकती; ऐसे में पैरेटो चार्ट और प्रतिशत योगदान पर निर्भर रहें
- R² की तुलना समायोजित R² से करें — बड़ा अंतर बताता है कि मॉडल में असार्थक पद भरे हैं; कम इंटरैक्शन क्रम के साथ पुनः फिट करें और देखें कि समायोजित R² सुधरता है या नहीं
संबंधित मानक और संदर्भ
- NIST/SEMATECH e-Handbook Chapter 5 — effects विश्लेषण कार्यप्रणाली सहित designed experiments के माध्यम से प्रक्रिया सुधार
- ISO 3534-3 — effect, interaction, और confounding शब्दों को परिभाषित करने वाली प्रयोगों की डिज़ाइन के लिए सांख्यिकीय शब्दावली
- AIAG APQP 3वां संस्करण — launch readiness के दौरान प्रक्रिया parameter अनुकूलन के लिए DOE effects विश्लेषण की सिफारिश करता है
अक्सर पूछे जाने वाले प्रश्न
मुझे कैसे पता चलेगा कि कोई प्रभाव सांख्यिकीय रूप से सार्थक है?
प्रतिकृतियों (replicates) के साथ ANOVA का उपयोग करें: यदि F-सांख्यिकी का p-मान < α (सामान्यतः 0.05) हो, तो प्रभाव सार्थक है। प्रतिकृतियों के बिना Lenth की विधि या प्रभावों का प्रसामान्य प्रायिकता प्लॉट उपयोग करें — जो प्रभाव सीधी रेखा से विचलित होते हैं, वे सार्थक हैं। Pareto चार्ट भी यह दिखाकर मदद करता है कि कौन-से प्रभाव शेष की तुलना में कहीं बड़े हैं।
मुख्य प्रभाव और अन्योन्यक्रिया प्रभाव में क्या अंतर है?
मुख्य प्रभाव किसी एक कारक को बदलने से अनुक्रिया में आने वाला औसत परिवर्तन है, चाहे अन्य कारकों के स्तर कुछ भी हों। अन्योन्यक्रिया प्रभाव का अर्थ है कि एक कारक का असर दूसरे कारक के स्तर पर निर्भर करता है। उदाहरण के लिए, यदि तापमान निम्न दाब पर यील्ड को 10% बढ़ाता है परंतु उच्च दाब पर केवल 2%, तो वहाँ तापमान×दाब अन्योन्यक्रिया मौजूद है। अन्योन्यक्रियाओं की अनदेखी करने से गलत निष्कर्ष निकल सकते हैं।