Istilah "efek utama" menunjukkan efek pada respons y yang dapat dilakukan
melacak ke satu proses atau parameter desain (DP), seperti P. Dalam model
aditif
seperti yang diberikan oleh Persamaan. (4.1.1), orang mengasumsikan bahwa
efek interaksi
tidak hadir. Dalam model ini, pt merupakan bagian dari deviasi y (atau
efeknya
pada y) disebabkan oleh pengaturan faktor P pada perlakuan Pit qj yang
disebabkan oleh faktor Q pada
Qj, dan rk yang disebabkan pengaturan R di Rk adalah rk, dan seterusnya.
Istilah £ mewakili
kesalahan gabungan yang dihasilkan dari pendekatan tambahan (yaitu,
penghilangan
interaksi) dan pengulangan terbatas dari eksperimen yang dijalankan dengan
eksperimen
faktor P ditetapkan pada Pv Q di Qj, R di Rh dan S pada £ /. Eksperimen
berulang biasanya menunjukkan
beberapa variabilitas, yang mencerminkan pengaruh faktor-faktor yang tidak
dimiliki oleh penyelidik
kontrol.
Asumsi tambahan juga mengimplikasikan bahwa efek individual dari
faktor Py Qt R, dll. pada kinerja Y dapat dipisahkan. Dengan asumsi ini
efek dari setiap faktor dapat linear, kuadrat, atau urutan yang lebih tinggi,
tetapi aditif
model mengasumsikan bahwa tidak ada efek produk silang (interaksi) di antara
faktor individu. (Ingat contoh interaksi efek yang terlihat antara
waktu paparan dan waktu pengembangan dalam contoh litografi, Tabel 3.1.)
Saya f kami berasumsi bahwa efek masing-masing (a dan /}) dari dua faktor
yang mempengaruhi
A dan B pada variabel respon Y bersifat aditif, kemudian kita katakan dengan
efektif
bahwa model
Yij( = l^ij + £ij) = j i + ctj + j3j + eg (4.1.2)
mewakili efek total dari faktor A dan B di Y. Perhatikan lagi bahwa ini
representasi mengasumsikan bahwa tidak ada interaksi antara faktor A dan B,
yaitu,
efek faktor A tidak tergantung pada level-of factor B dan sebaliknya.
Interaksi membuat efek dari faktor individu non-aditif. Saya f sama sekali
waktu n} j berbeda dari (jli + a, + / 3;), di mana a, dan fy adalah individu
(atau utama) efek dari faktor masing-masing, kemudian satu mengatakan bahwa
aditif (atau keterpisahan) efek faktor utama tidak berlaku, dan efeknya
berinteraksi.Itu model proses kimia yang ditunjukkan di bawah ini memberikan
contoh interaksi di antara dua faktor proses:
Utilization (%) = K (mixing HP/1000 g) L (superficial velocity)M
Untuk proses ini, efek pada variabel respon "Pemanfaatan (%)" adalah
multiplikatif
bukan aditif. Di sini, efek "pencampuran HP / 1000 g" tergantung pada level
dari faktor proses kedua, "superfisial kecepatan", dan sebaliknya. Efek ini
mungkin
dimodelkan oleh
…… (4.1.3)
Persamaan model (4.1.3) kemudian menjadi aditif, dan ditulis secara ekuivalen
sebagai
…… (4.1.4)
Untuk mengingatkan pembaca, karena istilah interaksi tidak ada di dalamnya,
sering
menyebut model aditif sebagai model efek utama.
Oleh karena itu, untuk menemukan efek pengaturan P pada P3 pada Y, cukup
hitung a
rata-rata aritmatika tertentu {y,}, sebagai berikut: Pertama, perhatikan apa
yang terjadi ketika satu
menambahkan tiga pengamatan (y7, y8> dan y9); di mana pengobatan P sama
dengan P ^
lalu rata-rata mereka.
Demikian pula, dengan memilih pengamatan tertentu lainnya dari {yi}> kita
akan
mampu memperkirakan efek masing-masing dari tiga faktor lainnya Q, R, dan S.
I f
asumsi aditivitas tidak valid, namun, maka istilah kesalahan {£, -} tidak
akan berlaku
independen satu sama lain dan tidak akan menjadi variabel acak dengan mean
nol
dan (ae) 2 varians.
Sebagai alternatif matriks ortogonal untuk perencanaan eksperimental
studi, orang dapat mempertimbangkan desain statistik faktorial lengkap.
Karena orang mengasumsikan aditif efek untuk faktor kontrol di sebagian besar
Taguchi
eksperimen, seseorang juga dapat memprediksi nilai kinerja yang dioptimalkan
dari eksperimen ini. Dalam contoh di atas, orang akan menemukan maksimumnya
hasil prediksi dengan menambahkan efek faktor F pada perlakuan B dan faktor S
pada 60, dengan faktor T ditetapkan pada 82. Pengaturan ini akan
memaksimalkan hasil. Maksimum yang diproyeksikan
hasil adalah, sederhananya,