Загрузите выборочные данные.
Эти симулированные данные от компании-производителя, которая управляет 50 фабриками во всем мире с каждой фабрикой, запускающей процесс пакетной обработки, чтобы создать готовое изделие. Компания хочет сократить число дефектов в каждом пакете, таким образом, это разработало новый производственный процесс. Чтобы протестировать эффективность нового процесса, компания выбрала 20 своих фабрик наугад, чтобы участвовать в эксперименте: Десять фабрик реализовали новый процесс, в то время как другие десять продолжали запускать старый процесс. На каждой из этих 20 фабрик компания запустила пять пакетов (для в общей сложности 100 пакетов) и записала следующие данные:
Отметьте, чтобы указать, использовал ли пакет новый процесс (newprocess
)
Время вычислений для каждого пакета, в часах (time
)
Температура пакета, в градусах Цельсия (temp
)
Категориальная переменная, указывающая на поставщика (A
B
, или C
) из химиката, используемого в пакете (supplier
)
Количество дефектов в пакете (defects
)
Данные также включают time_dev
и temp_dev
, которые представляют абсолютное отклонение времени и температуры, соответственно, из стандарта процесса 3 часов на уровне 20 градусов Цельсия.
Подбирайте обобщенную линейную модель смешанных эффектов использование newprocess
, time_dev
, temp_dev
, и supplier
как предикторы фиксированных эффектов. Включайте точку пересечения случайных эффектов, сгруппированную factory
, с учетом качественных различий, которые могут существовать из-за специфичных для фабрики изменений. Переменная отклика defects
имеет распределение Пуассона, и соответствующая функция ссылки для этой модели является журналом. Используйте подходящий метод Лапласа, чтобы оценить коэффициенты. Задайте фиктивную переменную, кодирующую как 'effects'
, таким образом, фиктивные переменные коэффициенты суммируют к 0.
Количество дефектов может быть смоделировано с помощью распределения Пуассона
Это соответствует обобщенной линейной модели смешанных эффектов
где
количество дефектов, наблюдаемых в пакете, произведенном фабрикой во время пакета .
среднее количество дефектов, соответствующих фабрике (где ) во время пакета (где ).
, , и измерения для каждой переменной, которые соответствуют фабрике во время пакета . Например, указывает ли пакет, произведенный фабрикой во время пакета используемый новый процесс.
и фиктивные переменные, которые используют эффекты (сумма к нулю) кодирование, чтобы указать ли компания C
или B
, соответственно, предоставленный химикаты процесса для пакета производятся фабрикой во время пакета .
точка пересечения случайных эффектов для каждой фабрики это составляет специфичное для фабрики изменение по качеству.
Протестируйте, если существует какая-либо значительная разница между поставщиком К и поставщиком Б.
Большое - значение указывает, что нет никакой значительной разницы между поставщиком К и поставщиком Б на 5%-м уровне значения. Здесь, coefTest
также возвращается - статистическая величина, степени свободы числителя и аппроксимированные степени свободы знаменателя.
Протестируйте, если существует какая-либо значительная разница между поставщиком А и поставщиком Б.
Если вы задаете 'DummyVarCoding'
аргумент пары "имя-значение" как 'effects'
подбирая модель с помощью fitglme
то
где , , и соответствуйте поставщикам А, Б и К, соответственно. эффект минус средний эффект A, B, и C. Определить контрастную матрицу, соответствующую тесту между поставщиком А и поставщиком Б,
От выхода disp(glme)
, столбец 5 контрастной матрицы соответствует , и столбец 6 соответствует . Поэтому контрастная матрица для этого теста задана как H = [0,0,0,0,1,2]
.
Большое - значение указывает, что нет никакой значительной разницы между поставщиком А и поставщиком Б на 5%-м уровне значения.