ตัววิเคราะห์ผล DOE

การวิเคราะห์ผลกระทบ DOE คืออะไร?

การวิเคราะห์อิทธิพลเป็นการวัดผลกระทบของแต่ละปัจจัยและอันตรกิริยาที่มีต่อตัวแปรตอบสนองในการทดลองแบบแฟกทอเรียล อิทธิพลหลักคือการเปลี่ยนแปลงของค่าตอบสนองเฉลี่ยเมื่อปัจจัยเปลี่ยนจากระดับต่ำ (-1) ไปเป็นระดับสูง (+1) ส่วนอิทธิพลร่วมเกิดขึ้นเมื่อผลของปัจจัยหนึ่งขึ้นอยู่กับระดับของอีกปัจจัยหนึ่ง

ค่าประมาณอิทธิพลของแต่ละพจน์คำนวณจากผลต่างระหว่างค่าตอบสนองเฉลี่ยที่ระดับสูงกับค่าตอบสนองเฉลี่ยที่ระดับต่ำ ANOVA (การวิเคราะห์ความแปรปรวน) จะแยกความแปรผันรวมออกเป็นส่วนที่มาจากแต่ละปัจจัยและอันตรกิริยา แล้วทดสอบนัยสำคัญทางสถิติด้วยการทดสอบ F

แผนภูมิพาเรโตของอิทธิพลจะเรียงลำดับทุกพจน์ตามขนาดอิทธิพลสัมบูรณ์ ทำให้ระบุ 'ปัจจัยสำคัญส่วนน้อย' ที่มีนัยสำคัญได้ง่าย ค่า R² บอกว่าแบบจำลองอธิบายความแปรผันรวมได้มากเพียงใด และเปอร์เซ็นต์การมีส่วนร่วมของแต่ละพจน์แสดงความสำคัญเชิงเปรียบเทียบ

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)

ตัวอย่างการคำนวณ

การทดลองแฟกทอเรียล 2² ที่มีปัจจัย A และ B ค่าตอบสนอง: (−,−)=10, (+,−)=14, (−,+)=12, (+,+)=20 อิทธิพลของ A = ((14+20)/2) - ((10+12)/2) = 17 - 11 = 6 อิทธิพลของ B = ((12+20)/2) - ((10+14)/2) = 16 - 12 = 4 อันตรกิริยา AB = ((10+20)/2) - ((14+12)/2) = 15 - 13 = 2 ปัจจัย A มีอิทธิพลมากที่สุด

เมื่อใดควรใช้เครื่องคำนวณนี้

• หลังจากดำเนินการทดลองแบบ factorial เพื่อกำหนดว่าปัจจัยและอันตรกิริยาใดมีผลกระทบที่มีนัยสำคัญทางสถิติต่อการตอบสนอง
• ระหว่างระยะ Analyze ของโครงการ Six Sigma DMAIC เพื่อระบุปัจจัยสำคัญไม่กี่ตัวจากการทดลองที่ออกแบบ
• เมื่อสร้างแบบจำลองทำนายสำหรับการหาค่าเหมาะสมกระบวนการ — การประมาณผลกระทบและ ANOVA ให้สัมประสิทธิ์และระดับนัยสำคัญสำหรับแบบจำลอง
• เมื่อตัดสินใจว่าปัจจัยใดจะนำไปรวมใน response surface study — เฉพาะปัจจัยที่มีนัยสำคัญจากการทดลองคัดกรองเท่านั้นที่ควรรวม
• ระหว่างการรายงานผลการทดลองเพื่อนำเสนอสรุปที่ชัดเจนและเป็นปริมาณของการมีส่วนร่วมของปัจจัยโดยใช้แผนภูมิ Pareto และตารางเปอร์เซ็นต์การมีส่วนร่วม

ข้อผิดพลาดที่พบบ่อยที่ควรหลีกเลี่ยง

• ละเลยผลกระทบอันตรกิริยาและวิเคราะห์เฉพาะ main effects — อันตรกิริยาอาจมีขนาดเท่ากับหรือใหญ่กว่า main effects ตรวจสอบอย่างน้อย 2-factor interactions เสมอ
• สรุปจากการทดลองที่ไม่มี replicate โดยไม่เข้าใจ confounding — ใน fractional factorial ที่ไม่มี replicate ผลกระทบเป็น alias ทราบโครงสร้าง alias ของการออกแบบ
• ตีความเปอร์เซ็นต์การมีส่วนร่วมเกินไปโดยไม่มีนัยสำคัญทางสถิติ — ปัจจัยอาจแสดง 15% โดยบังเอิญ ตรวจสอบค่า p ของ F-test หรือใช้ normal probability plots เสมอ
• รวมอันตรกิริยาทั้งหมดที่เป็นไปได้ในแบบจำลองโดยไม่คำนึงถึงนัยสำคัญ — สิ่งนี้ overfit แบบจำลองและใช้ error degrees of freedom ใช้ hierarchical modeling (รวมอันตรกิริยาเมื่อ main effects ที่เกี่ยวข้องมีนัยสำคัญ)

วิธีตีความผลลัพธ์

• เริ่มจากแผนภูมิ Pareto ผลกระทบ — พจน์ที่มีแท่งสูงกว่าที่เหลือมากคือส่วนน้อยที่สำคัญ การลดลงอย่างชัดเจนหลัง 2-3 พจน์คือรูปแบบ 'sparsity of effects' ตามแบบฉบับ
• เครื่องหมายของค่าประมาณผลบอกทิศทาง: ค่าประมาณบวกหมายถึงการเลื่อนปัจจัยนั้นจาก −1 ไป +1 จะเพิ่มการตอบสนองเฉลี่ยเท่าจำนวนนั้น ค่าประมาณลบจะลดลง
• สัดส่วนการมีส่วน (%) แสดงส่วนแบ่งของแต่ละพจน์ในความแปรปรวนรวม — พจน์ที่มีส่วนเพียงไม่กี่เปอร์เซ็นต์หรือน้อยกว่ามักเป็นสัญญาณรบกวนแม้จะปรากฏในแผนภูมิ
• ในตาราง ANOVA ค่า p ต่ำกว่า 0.05 บ่งชี้พจน์ที่มีนัยสำคัญทางสถิติ — แต่ในการออกแบบอิ่มตัว (ไม่มีการทำซ้ำกับโมเดลเต็ม) จะไม่มีองศาอิสระคงเหลือ จึงคำนวณ F และ p ไม่ได้ ให้ใช้แผนภูมิ Pareto และเปอร์เซ็นต์การมีส่วนแทน
• เปรียบเทียบ R² กับ R² ปรับแก้ — ช่องว่างที่กว้างหมายความว่าโมเดลมีพจน์ที่ไม่มีนัยสำคัญปะปนอยู่ ให้ปรับโมเดลใหม่ด้วยอันดับอันตรกิริยาที่น้อยลงและดูว่า R² ปรับแก้ดีขึ้นหรือไม่

มาตรฐานและเอกสารอ้างอิงที่เกี่ยวข้อง

• NIST/SEMATECH e-Handbook Chapter 5 — การปรับปรุงกระบวนการผ่านการทดลองที่ออกแบบรวมถึงวิธีการวิเคราะห์ผลกระทบ
• ISO 3534-3 — คำศัพท์ทางสถิติสำหรับการออกแบบการทดลอง กำหนดคำศัพท์ effect interaction และ confounding
• AIAG APQP ฉบับที่ 3 — แนะนำการวิเคราะห์ผลกระทบ DOE สำหรับการหาค่าเหมาะสมพารามิเตอร์กระบวนการระหว่างความพร้อมเปิดตัว

คำถามที่พบบ่อย

ฉันจะรู้ได้อย่างไรว่าผล (effect) มีนัยสำคัญทางสถิติ?

หากมีการทำซ้ำ ให้ใช้ ANOVA: ถ้าค่า p ของสถิติ F < α (โดยทั่วไปคือ 0.05) แสดงว่าอิทธิพลนั้นมีนัยสำคัญ หากไม่มีการทำซ้ำ ให้ใช้วิธีของ Lenth หรือกราฟความน่าจะเป็นปกติของอิทธิพล โดยอิทธิพลที่เบี่ยงออกจากเส้นตรงถือว่ามีนัยสำคัญ แผนภูมิพาเรโตก็ช่วยได้เช่นกัน เพราะแสดงให้เห็นว่าอิทธิพลใดมีขนาดใหญ่กว่าตัวอื่นอย่างชัดเจน

อิทธิพลหลักกับอิทธิพลร่วมต่างกันอย่างไร

อิทธิพลหลักคือการเปลี่ยนแปลงเฉลี่ยของค่าตอบสนองอันเนื่องมาจากการเปลี่ยนปัจจัยหนึ่ง โดยไม่ขึ้นกับระดับของปัจจัยอื่น ส่วนอิทธิพลร่วมหมายความว่าผลของปัจจัยหนึ่งขึ้นอยู่กับระดับของอีกปัจจัยหนึ่ง ตัวอย่างเช่น ถ้าการเพิ่มอุณหภูมิทำให้ผลได้เพิ่มขึ้น 10% ที่ความดันต่ำ แต่เพิ่มเพียง 2% ที่ความดันสูง แสดงว่ามีอันตรกิริยาระหว่างอุณหภูมิ×ความดัน การละเลยอันตรกิริยาอาจนำไปสู่ข้อสรุปที่ผิดพลาด