Phù hợp biểu đồ bề mặt phản hồi 268

3
2

Residuals
1
0
-1
-2
-3
50 55 60 65 70 75 80 85
Model Predictions

Hình 10.3: Biểu đồ giữa Residuals(phần dư) so với Model Predictions(giá trị dự đoán) cho ví dụ
nhiệt phân Polypropylene.

Biểu đồ để kiểm tra tính đầy đủ của mẫu. Bài kiểm tra này được thảo luận trong phần tiếp theo.

3 3
2 2
Residuals

Residuals
1 1
0 0
-1 -1
-2 -2
-3 -3
-2 0 2 -2 0 2
(a) Residuals và X1 (b) Residuals và X2
3 3
2 2
Residuals

Residuals

1 1
0 0
-1 -1
-2 -2
-3 -3
0 5 10 15 -2 -1 0 1 2
(c) Residuals và Run Order (d) Residuals versus Block

FIGURE 10.4: Biểu đồ của Residuals(phần dư) so với Các biến độc lập, Yêu cầu, và Khối để kiểm
tra tính đầy đủ của đồ thị.

10.4 Kiểm tra thống kê về tính đầy đủ của Đồ thị– Thiếu phù hợp (LoF)
Một bài kiểm tra thống kê khách quan có sẵn (ngoài các đồ thị còn lại) để kiểm tra xem một giá
trị thực nghiệm bậc hai có đưa ra một đại diện đầy đủ của dữ liệu hay không, nhưng nó đòi hỏi
một số chạy ở cùng điều kiện (sao chép). Mục tiêu hoàn toàn giống như thử nghiệm độ cong
được sử dụng cho các thiết kế nhân tố. Nhưng tác động thậm chí còn lớn hơn. Nếu mẫu không
269 Chiến lược thực nghiệm cơ bản và phân tích dữ liệu cho khoa học và kỹ thuật
đầy đủ, phương trình (bậc hai) không thể được sử dụng đáng tin cậy. Hãy nhớ rằng đối với các
giai thừa, nếu giá trị thực nghiệm mẫu kém, nó vẫn có giá trị ở các góc, nhưng không thể được
sử dụng để nội suy trong khu vực.
Thử nghiệm dựa trên tổng số dư bình phương, SSE. Triết lý của bài kiểm tra rất đơn giản và
rất cơ bản. Nếu giá trị thực nghiệm là đủ, sau đó SSE chỉ chứa biến đổi thử nghiệm, và do đó nó
có thể được sử dụng để ước tính phương sai lỗi thử nghiệm, σ2. Đó là:

s2R = SSE/νR = SSE/[n − (p + 1)] ≈ σ2. (10.4)

(Chỉ số phụ, R, trên s2R được sử dụng để biểu thị rằng đó là ước tính của σ2 dựa trên giá trị
thực nghiệm hồi quy.) Nếu giá trị thực nghiệm không đầy đủ, ít nhất một số phần còn lại sẽ quá
lớn. Điều đó sẽ làm cho SSE lớn hơn mức cần có, và s2R sẽ là một đánh giá quá cao của σ2. Do
đó, s2R có thể được so sánh với σ2, và nếu nó lớn hơn đáng kể (được thử nghiệm bằng cách sử
dụng phân phối χ2), thì giá trị thực nghiệm được coi là không đầy đủ. Nếu s2R không lớn hơn
đáng kể so với σ2, thì giá trị thực nghiệm được cho là tốt.
Bài kiểm tra này trông tuyệt vời trên sách vở, nhưng chúng ta thường không biết giá trị của
σ2. Nhưng nếu chúng ta có một số giá trị nhân rộng, chúng ta có thể ước tính σ2 không sử dụng
bất kỳ giá trị thực nghiệm nào (ngoài mức trung bình ở mỗi điều kiện). Chúng ta biểu thị ước tính
này của σ2 như s2PE. Chỉ số phụ, PE, là viết tắt của lỗi thuần túy, bởi vì lý do duy nhất sao chép đi
chệch khỏi nhau là biến thể ngẫu nhiên thuần túy trong dữ liệu. Vì tất cả các thiết kế bề mặt
phản hồi đều có sự sao chép (ở điểm trung tâm ở mức tối thiểu), thử nghiệm được mô tả trong
phần này nên được sử dụng thường xuyên với các thiết kế này.
Bước đầu tiên trong việc sử dụng thử nghiệm là tính toán s2PE. Điều này được thực hiện bằng
cách đầu tiên xác định tất cả các giá trị nhân rộng và tính toán giá trị trung bình tại mỗi tập hợp
các điều kiện được nhân rộng. Tổng độ lệch bình phương so với mức trung bình sau đó được
tính tại bất kỳ điểm nào, j, tại đó có sự sao chép (mj là số lượng sao chép tại điểm, j).

Nếu chỉ có điểm trung tâm được nhân rộng, thì tổng các ô vuông của các điểm trung tâm xung
quanh mức trung bình của chúng là tổng số SSPE. Nếu có sự sao chép tại một số điểm, các hình
vuông khác nhau chỉ đơn giản là được thêm vào với nhau để có được SSPE.

Để tính toán s2PE, Chúng ta cũng cần xác định mật độ tự do cho sai số thuần túy,
DFPE (cũng được biểu thị bằng νPE). Mật độ tự do cho bất kỳ tập hợp giá trị nhân rộng nào is νPE,j =
(mj − 1). Tổng mật độ tự do cho lỗi thuần túy chỉ là tổng của mật độ tự do cho mỗi tập hợp các
giá trị nhân rộng.

Một khi cả hai SSPE và νPE được tính, chúng ta có thể xác định s2PE từ tỷ lệ,
 Phù hợp biểu đồ bề mặt phản hồi 270
Và, khi s2PE Là một ước tính hoàn toàn hợp lệ of σ2, Chúng ta có thể so sánh s2R với nó . Nhưng đó
không phải là những gì thường được thực hiện. Lý do là s2R dựa trên tổng số lỗi bình phương bao
gồm cả SSPE. Điều này sẽ giảm thiểu bất kỳ bất cập nào của giá trị thực nghiệm. Chúng ta có thể
làm tốt hơn.
Để làm cho thử nghiệm chính xác hơn hơn, những gì thường được thực hiện là chia tổng số ô
vuông thành hai mảnh—SSPE Và bất cứ điều gì còn lại, mà chúng ta biểu thị bằng cách SSLoF. Phân
lính chính, LoF, là viết tắt của Lack of Fit (của giá trị thực nghiệm). Chúng ta, tương tự như vậy,
chia tổng mật độ tự do thành hai phần - νPE và bất cứ điều gì còn sót lại, mà chúng ta biểu thị
bằng νLoF . Vì chúng ta đã có tổng số và các phần lỗi thuần túy, tính toán còn lại là để có được
các mảnh thiếu phù hợp theo sự khác biệt.
SSLoF = SSE − SSPE (10.9)

νLoF = νR − νPE. (10.10)

Điều quan trọng là phải nhận ra rằng cả hai phần của tổng hình vuông ban đầu, SSE, có thể
được sử dụng để ước tính phương sai lỗi thử nghiệm, σ2. Người ta đã tuyên bố rằng SSPE/νPE (=
s2PE) là một ước tính thuần túy của σ2. Nhưng nếu giá trị thực nghiệm là đủ, số lượng cũng vậy,
SSLoF/νLoF (= s2LoF). Để biện minh cho tuyên bố này, hãy nhớ rằng SSE được sử dụng để ước tính σ2
bằng cách chia cho νR. Do đó, SSE xấp xỉ bằng νRσ2. Nếu chúng ta loại bỏ số lượng, νPEσ2 (= SSPE) từ
SSE, sau đó, những gì còn lại là (νR-νPE)σ2. Do đó, SSLoF ≈ νLoFσ2, or σ2 ≈ SSLoF/νLoF.
Do đó, bài kiểm tra của chúng ta trở thành một so sánh s2LoF to s2PE (Đó là ước tính tốt nhất
của chúng ta về σ2). Nếu giá trị thực nghiệm của chúng ta là đầy đủ, s2LoF Phải giống như s2PE trong
sự thay đổi thử nghiệm. Nếu giá trị thực nghiệm của chúng ta không đầy đủ, s sẽ quá lớn. Do
đó, bài kiểm tra của chúng ta đặt ra câu hỏi: là s lớn hơn đáng kể so với s ? Vì hai phương
sai đang được so sánh, tỷ lệ của hai ước tính của phương sai (cùng một) được phân phối theo
một F- Phân phối,

, (10.11)
và thước đo là F- Phân phối được đặt (với νLoF và νPE mật độ tự do).
Việc thiếu tính toán phù hợp cho ví dụ nhiệt phân polypropylene của chúng ta được hiển thị
trong Bảng 10.3. Ước tính lỗi thuần túy của phương sai, s2PE , Được tính toán là 4.40, Trong khi
thiếu ước tính phù hợp, s2LoF được tính toán là 1.94. Có s2LoF nhỏ hơn s2PE(Hoàn toàn do ngẫu
nhiên), câu hỏi về s2LoF lớn hơn đáng kể so với s2PE trở nên thỏa mãn, và kết luận là giá trị thực
nghiệm của chúng ta là tốt. Nếu s2LoF đã lớn hơn, chúng ta sẽ sử dụng thống kê F (với 4 và 4 độ tự
do) để cho chúng ta biết lớn hơn bao nhiêu so với 1.0 tỷ lệ, s2LoF/s2PE , Có thể chỉ vì cơ hội. Trong
trường hợp này,s2LoF sẽ cần phải lớn hơn 6,39 lần so với s2PE Trước khi chúng ta có đủ bằng chứng
để nói rằng giá trị thực nghiệm không đầy đủ.
Trong ví dụ của chúng ta, cần lưu ý rằng các điểm trung tâm được coi là hai nhóm sao chép,
một nhóm trong mỗi khối. Điều này đã được thực hiện để ở phía an toàn trong trường hợp thực
sự có sự thay đổi trong phản ứng từ khối này sang khối khác (mặc dù không có sự thay đổi nào
được tìm thấy là đáng kể trong phân tích hồi quy của chúng ta.).
271 Chiến lược thực nghiệm cơ bản và phân tích dữ liệu cho khoa học và kỹ thuật
TABLE 10.3
Tính toán chi tiết cần thiết cho việc thiếu kiểm tra phù hợp cho ví dụ nhiệt phân
Polypropylene
Run X1 X2 Block Yield j Avg d d2 ν
1 -1 -1 -1 73.2

2 1 -1 -1 51.1

3 -1 1 -1 76.8

4 1 1 -1 64.1

5 0 0 -1 74.7 1 74.90 -0.20 0.04

6 0 0 -1 76.8 1 74.90 1.90 3.61 2

7 0 0 -1 73.2 1 74.90 -1.70 2.89

8 -1.41 0 1 80.6

9 1.41 0 1 61.0

10 0 -1.41 1 57.2

11 0 1.41 1 66.5

12 0 0 1 72.2 2 74.53 -2.33 5.44

13 0 0 1 74.5 2 74.53 -0.03 0.00 2

14 0 0 1 76.9 2 74.53 2.37 5.60

Totals = 17.59 4

SSE = 25.34 νR = 8
SSPE = 17.59 νPE = 4 s2PE = 4.40

SSLoF = 7.75 νLoF = 4 s2LoF = 1.94

F(Lack of Fit) = s2LoF/s2PE = 1.94/4.40 = 0.44 F∗(4, 4,

0.95) = 6.39

10.5 Cắt giảm các điều kiện không đáng kể từ giá trị thực nghiệm
10.5.1 Giải
Mục tiêu chung của phần này là để đạt được giá trị thực nghiệm parsimony. Nguyên tắc cơ
bản là giá trị thực nghiệm tốt nhất là giá trị thực nghiệm đơn giản nhất "thực hiện công việc".
Mặc dù triết lý này mở ra cho một số cuộc tranh luận, nhưng đó là niềm tin vững chắc của các
tác giả.
 Phù hợp biểu đồ bề mặt phản hồi 272
Để biện minh cho lý luận này một chút, chúng ta hãy xem xét tình huống đơn giản của phản
ứng như một chức năng của một biến độc lập duy nhất và chúng ta hãy giả sử rằng chúng ta có
dữ liệu được hiển thị trong Hình 10.5. Chúng ta có thể phù hợp với nhiều giá trị thực nghiệm có
độ phức tạp khác nhau cho dữ liệu này. Nếu chúng ta giới hạn bản thân trong đa thức, chúng ta
vẫn có thể phù hợp với bất cứ thứ gì từ mức trung bình đơn giản đến đa thức thứ chín phức tạp.
Vì dường như có một xu hướng trong dữ liệu, giá trị thực nghiệm đơn giản nhất thực sự được sử
dụng là một đường thẳng. Các hình vuông nhỏ nhất phù hợp với dòng đó và một số đa thức thứ
tự cao hơn được hiển thị trong Hình 10.6. Cái nào là tốt nhất?
Chúng ta có thể thấy từ con số rằng khi chúng ta tăng độ phức tạp của giá trị thực nghiệm, nó
phù hợp với dữ liệu ngày càng chặt chẽ hơn. Trên thực tế, đa thức thứ tự thứ tám phù hợp với
dữ liệu gần như chính xác (và đa thức thứ chín sẽ phù hợp chính xác), vì R2 giá trị chỉ ra. Điều đó
có nghĩa là chúng ta có thể kết luận rằng một giá trị thực nghiệm càng lớn, nó càng tốt? Không!
Vấn đề là các giá trị thực nghiệm lớn đã đi qua điểm mô tả mối quan hệ cơ bản giữa X và Y, và họ
đang mô tả các lỗi trong dữ liệu. Vì các lỗi là ngẫu nhiên, chúng sẽ khác vào lần tới khi một số dữ
liệu được thu thập. Vì vậy, các giá trị thực nghiệm lớn thực sự tồi tệ hơn. Một cách khác để nêu
ra kết luận là một giá trị thực nghiệm quá lớn sẽ tốt hơn trong việc dự đoán quá khứ (dữ liệu mà
chúng ta đang phân tích), nhưng những gì chúng ta muốn là một giá trị thực nghiệm tốt trong
việc dự đoán tương lai (dữ liệu mới mà chúng ta có thể thu thập). Giá trị thực nghiệm đầy đủ
đơn giản nhất là tốt nhất cho mục đích đó; đó là sự phù hợp bậc hai trong ví dụ của chúng ta.
Phần tiếp theo mô tả làm thế nào để cắt bỏ các điều kiện dư thừa trong một giá trị thực
nghiệm để đi đến phương trình đầy đủ đơn giản nhất.

Run X Y 12
1 0.1 5.90
10
2 0.3 5.84
3 0.5 7.61 Y
8
4 0.7 10.10
5 0.9 8.57 6
6 1.1 8.40
7 1.3 9.97 4 0 0.5 1 1.5 2
8 1.5 8.62
9 1.7 7.38
X
10 1.9 7.95

FIGURE 10.5: Một bộ mẫu dữ liệu X–Y

12 0.0 1.0 2.0 12 0.0 1.0 2.0

12
10 10
10
8 8
8
6 6
6
4 4
4
0.0 1.0 2.0
273 Chiến lược thực nghiệm cơ bản và phân tích dữ liệu cho khoa học và kỹ thuật
(a) Tuyến tính (R2 = 0.184) (b) Tứ giác (R2 = 0.672) (c) Cubic (R2 = 0.680)

12 0.0 1.0 2.0 12 0.0 1.0 2.0

12
10 10
10
8 8
8
6 6
6
4 4
4
0.0 1.0 2.0
2 2 2
(d) 4 (R = 0.723) (e) 6 (R = 0.881) (f) 8 (R = 0.999)

HÌNH 10.6: Một số đa thức phù hợp với một tập hợp dữ liệu X-Y

10.5.2 Xóa hệ số không đáng kể về mặt thống kê khỏi giá trị thực nghiệm
Quy trình chung để cắt tỉa giá trị thực nghiệm bề mặt phản hồi là bắt đầu bằng cách lắp
phương trình bậc hai đầy đủ (tất nhiên thông qua ít hình vuông nhất). Phần còn lại từ giá trị thực
nghiệm đầy đủ được kiểm tra thông qua các biểu đồ còn lại để đảm bảo rằng các giả định có giá
trị trước khi đầu tư thêm thời gian vào giá trị thực nghiệm. Nếu các biểu đồ còn lại lệch về bên
phải, thì giá trị thực nghiệm được cắt giảm. Mỗi hệ số trong giá trị thực nghiệm được kiểm tra ý
nghĩa bằng cách so sánh t-thống kê của nó (tỷ lệ hệ số với lỗi tiêu chuẩn của nó) với giá trị t quan
trọng. Các tính toán này có thể được thực hiện thủ công bằng phương trình 8.41, được lặp lại
dưới đây là Phương trình 10.12, nhớ thay thế σ2 bằng s2, ước tính của nó.

ˆ
V ar(B ) = (XTX)−1 σ2. (10.12)
Phương trình này như Phương trình 10.2, là một công thức rất tóm gọn nhưng rất mạnh mẽ.
Nó cung cấp sự thay đổi trong hệ số của chúng ta cho bất kỳ thiết kế thử nghiệm nào, X. Kết quả
là một ma trận đối xứng vuông có các điều kiện chéo đưa ra các phương sai của các hệ số, và các
điều kiện offdiagonal cung cấp cho các đồng biến của các cặp hệ số. Đó là các điều kiện chéo mà
chúng ta sẽ sử dụng khi chúng ta kiểm tra ý nghĩa thống kê của các hệ số của chúng ta. Hãy nhớ
rằng để sử dụng phương trình, chúng ta thay thế cái chưa biết (nhưng giá trị thực của phương
sai, σ2, với ước tính của nó, s2. Sau đó, chúng ta phải sử dụng phân phối t (với mật độ tự do trong
s2) để kiểm tra ý nghĩa thống kê, thay vì phân phối thông thường.
Như một minh chứng về việc sử dụng Phương trình 10.12, chúng ta hãy tiếp tục với ví dụ
nhiệt phân polypropylene. Ước tính của s2 là SSE/νR. SSE = 25.342 được tính chi tiết trong Bảng
10.1, Và mật độ tự do cho sai số, νR, là 14 (số lượng điểm dữ liệu) − 6 (số lượng hệ số trong giá trị
thực nghiệm của chúng ta) = 8. Do đó, ước tính của chúng ta về s2 = 25.342/8 = 3.168, and
s =√ 3.168 = 1.780. Giá trị s này có thể được so sánh với giá trị thu được bằng cách sử dụng hàm
hồi quy ô vuông ít nhất của chương trình bảng tính để thực hiện các tính toán. Đầu ra được hiển
thị ở dưới cùng của Hình 9.13 và được sao chép trong Hình 10.7 để thuận tiện. Ước tính của s
được dán nhãn "Lỗi tiêu chuẩn" và nó được xem là giống hệt với giá trị chúng ta tính toán.
ĐẦU RA TÓM TẮT (Excluding Blocking Term in Model)

Regression Statistics
 Phù hợp biểu đồ bề mặt phản hồi 274
Multiple R 0.987
R Square 0.974
Adjusted R Square 0.958
Standard Error 1.780
Observations 14
Standard
Term in Model Coefficients Error t-Stat P-value
Intercept 74.72 0.73 102.83 0.00
X1 -7.83 0.63 -12.42 0.00
X2 3.73 0.63 5.91 0.00
X 1*X 1 -1.96 0.66 -2.99 0.02
X 2*X 2 -6.47 0.66 -9.83 0.00
X 1*X 2 2.35 0.89 2.64 0.03

HÌNH 10.7: Đầu ra hồi quy bảng tính cho Ví dụ Nhiệt phân Polypropylene (Được sao chép từ dưới
cùng của Hình 9.13)
Vì chúng ta đã biết (XTX)−1 (được tính toán khi chúng ta ước tính các hệ số trong giá trị thực
nghiệm bậc hai của chúng ta — xem Phần 10.2), Bây giờ chúng ta có thể sử dụng Phương trình
ˆ
10.12 để ước tính Var (B ):

Như đã đề cập trước đó, các điều kiện chéo trong ma trận này cho chúng ta sự khác biệt của
từng hệ số trong giá trị thực nghiệm của chúng ta. Chúng ta thực sự muốn độ lệch chuẩn, vì vậy
chúng ta phải lấy căn bậc hai của mỗi yếu tố đường chéo. Nếu chúng ta làm điều này, chúng ta sẽ
nhận được độ lệch chuẩn được liệt kê trong Hình 10.7 trong cột được dán nhãn "Lỗi tiêu chuẩn"
ngay sau các hệ số. Ví dụ, độ lệch chuẩn của ˆb1 là √ 0.396 = 0.629. Tính toán này thực sự được
thực hiện bởi chương trình bảng tính, Excel, như một phần của phân tích hồi quy.
Một khi chúng ta có tất cả các độ lệch chuẩn của các hệ số, tất cả những gì còn lại là tính toán
ˆ
số liệu thống kê t, ti = bi/sˆbi, và so sánh chúng với giá trị quan trọng (được đặt) với mật độ tự do
thích hợp. Các số liệu thống kê t cho ví dụ của chúng ta (cũng được tính toán bởi chương trình
275 Chiến lược thực nghiệm cơ bản và phân tích dữ liệu cho khoa học và kỹ thuật
ˆ
bảng tính) được liệt kê trong Hình 10.7 trong cột có nhãn "t-Stat". Chẳng hạn t 1 = b1/sˆb1 =
−7.83/0.629 = -12.42. Giá trị quan trọng của t cho 8 độ tự do và mật độ tin cậy 95% (hai mặt) là
2,306. Vì tất cả các số liệu thống kê t lớn hơn giá trị này, tất cả các hệ số đều đáng kể và nên
được giữ trong giá trị thực nghiệm. Cần lưu ý rằng chương trình bảng tính thậm chí còn tính toán
mật độ quan trọng, được biểu thị bằng "giá trị P".
Nếu bất kỳ hệ số nào không khác biệt đáng kể so với số không, thì các hệ số đó nên được bỏ,
một lần bắt đầu với hệ số có giá trị t nhỏ nhất. Hồi quy được lặp lại cho đến khi chỉ còn lại các hệ
số có ý nghĩa thống kê. Nếu có nhiều hệ số không đáng kể, quy trình này sẽ đòi hỏi nhiều lần lặp
lại, và nó sẽ tẻ nhạt. Nhưng thực hiện phân tích theo các bước là cần thiết. Lý do mà chỉ có một
điều kiện bị bỏ tại một thời điểm (và phân tích hồi quy lặp đi lặp lại) là các hệ số còn lại có thể
thay đổi và tầm quan trọng của chúng có thể sẽ thay đổi (cũng như ước tính s). Điều này có thể
ảnh hưởng đến kết luận của bạn về tầm quan trọng của các điều khoản còn lại. Cần lưu ý rằng
hầu hết các gói phần mềm thống kê sẽ tự động thực hiện loại hồi quy theo bước này. Do đó, một
gói thống kê có lẽ là một khoản đầu tư đáng giá nếu loại phân tích này được thực hiện hợp lý
thường xuyên.
Một chút lời khuyên khác là để bỏ các điều khoản từ giá trị thực nghiệm không có ý nghĩa
thống kê. Nó có thể xảy ra rằng một điều kiện tuyến tính trong một giá trị thực nghiệm không
đáng kể mặc dù một điều kiện bậc hai hoặc một điều kiện tương tác với cùng một biến là đáng
kể. Trong trường hợp này, điều này không phổ biến lắm, bạn không nên bỏ điều kiện tuyến tính.
Một lần nữa, khuyến nghị này được mở để tranh luận, nhưng đó là ý kiến của các tác giả rằng đó
là một khuyến nghị tốt. Sự tương tự tốt nhất là cắt tỉa một cái cây: bạn cắt tỉa các nhánh chứ
không phải thân cây. Lý do tương tự cũng áp dụng cho một giá trị thực nghiệm toán học. Bạn cắt
một biến cụ thể trong một giá trị thực nghiệm bắt đầu với các điều kiện thứ tự cao hơn của nó
(bậc hai và tương tác), không phải với điều kiện chính (điều kiện tuyến tính).
Quy trình này được thực hiện cho ví dụ nhiệt phân polypropylene của chúng ta và đầu ra từ
phân tích hồi quy đã được hiển thị trong Hình 9.13 trong Phần 9.5. Sau khi lắp giá trị thực
nghiệm đầy đủ, bao gồm một điều kiện cho khối, hệ số duy nhất không đáng kể là cho điều kiện
khối. Điều kiện này đã bị loại khỏi giá trị thực nghiệm và hồi quy lặp đi lặp lại. Tất cả các hệ số
trong giá trị thực nghiệm giảm là đáng kể, vì vậy phân tích hồi quy đã hoàn thành chỉ sau một
nhiệm kỳ bị xóa.
Đôi khi, trong phân tích dữ liệu thực nghiệm, có một biến có vẻ đáng ngờ. Nói cách khác, hầu
hết các điều kiện trong giá trị thực nghiệm cho biến đó không đáng kể, nhưng có một điều kiện
(hoặc hai) chỉ có ý nghĩa thống kê và bạn tự hỏi liệu biến này có thực sự cần thiết hay không. Rốt
cuộc, nếu một biến xuất hiện trong bốn điều kiện trong giá trị thực nghiệm, có khả năng khoảng
bốn lần một trong các điều kiện sẽ có ý nghĩa thống kê, vì vậy α không thực sự là 0,05 cho biến
đó. Trong trường hợp như vậy, toàn bộ biến nên được kiểm tra về ý nghĩa thống kê. Điều này
được thực hiện bằng cách lắp giá trị thực nghiệm có và không có biến dưới sự giám sát. Nếu các
điều kiện m bị bỏ khi biến bị xóa (tức là tất cả các tương tác liên quan đến biến ngoài các điều
kiện tuyến tính và bậc hai), giá trị thực nghiệm sẽ không còn phù hợp với dữ liệu và SSE sẽ lớn
hơn. Điều này xảy ra cho dù biến có quan trọng hay không. Bài kiểm tra thống kê dựa trên thực
tế là SSE tăng σ2 (trung bình) cho mỗi điều kiện không cần thiết trong giá trị thực nghiệm bị bỏ.
Khi các điều kiện m được giảm, SSE sẽ tăng thêm mσ2. Nếu các điều khoản là cần thiết trong giá
trị thực nghiệm, thì SSE sẽ tăng hơn thế. Do đó, sự gia tăng SSE là thước đo của chúng ta về tầm
quan trọng của các điều kiện đối với giá trị thực nghiệm của chúng ta.
Bài kiểm tra thống kê là ước tính σ2 bằng cách chia sự gia tăng trong SSE bởi m. Ước tính này
được so sánh với ước tính của chúng ta về σ2 từ sự hồi quy của giá trị thực nghiệm lớn hơn của
chúng ta. Tỷ lệ của hai ước tính được phân phối dưới dạng F với m và νR mật độ tự do. Một ví dụ
 Phù hợp biểu đồ bề mặt phản hồi 276
về quy trình này được hiển thị trong Hình 10.8 cho một nghiên cứu bề mặt phản ứng với ba biến
độc lập. Có thể thấy trong ví dụ rằng X3 đã được tìm thấy là không quan trọng, mặc dù hai trong
số các điều kiện liên quan đến X3 có ý nghĩa hơi lớn. Hồi quy cuối cùng (không hiển thị trong
hình) đã được chạy xóa không đáng kể điều kiện (Ngoài điều kiện X3).

10.6 Khám phá bề mặt phản hồi

Sau khi tất cả các phân tích hồi quy và kiểm tra giá trị thực nghiệm đã được thực hiện cho
một tập hợp dữ liệu nhất định, bạn còn lại với một giá trị thực nghiệm toán học (hy vọng) mô tả
hệ thống của bạn đầy đủ. Những gì còn lại phải làm là sử dụng giá trị thực nghiệm đó để hiểu hệ
thống đang được nghiên cứu và có lẽ tối ưu hóa nó. Cách tốt nhất để có được cảm giác trực
quan về những gì giá trị thực nghiệm đang nói về cách hệ thống của bạn hoạt động là tạo ra một
cốt truyện hoặc cốt truyện của phản hồi. Mọi người có nhiều khả năng nắm bắt nội dung của
một biểu đồ hơn là một phương trình. Việc giải thích đồ họa về các câu trả lời đã được thảo luận
trong Phần 9.6, và vì vậy nó sẽ không được đi sâu vào một lần nữa.
Mặt khác, khi có bốn hoặc nhiều yếu tố hoặc biến độc lập trong phương trình bề mặt phản
hồi, ngày càng khó hình dung mối quan hệ với các âm đường viền hoặc đồ thị khác, vì sẽ có rất
nhiều "lát cắt" của toàn bộ bề mặt để hiển thị. Trong tình huống này, một giải thích toán học về
bề mặt phản ứng có thể mang lại kết quả thỏa đáng hơn.

PHÂN TÍCH HỒI QUY (Giá trị thực nghiệm

đầy đủ)
R Bình phương 0.957
Lỗi Tiêu chuẩn 2.934 Phương sai Y = 8.611
Quan sát 25 SSE = 15(8.611) = 129.16
Mật độ tự do 15
Chuẩn

Term in Model Coefficients Error t-Stat t(15,0.95) = 2.131

Intercept 15.14
X1 -7.70 0.85 -9.09
X2 -11.70 0.85 -13.80
X3 -1.87 0.85 -2.20
X1*X1 0.72 1.30 0.55
X2*X2 5.17 1.30 3.96
X3*X3 -0.28 1.30 -0.22
X1*X2 5.21 1.04 5.02
X1*X3 2.41 1.04 2.33
X2*X3 0.81 1.04 0.78
277 Chiến lược thực nghiệm cơ bản và phân tích dữ liệu cho khoa học và kỹ thuật
PHÂN TÍCH HỒI QUY (X3 bỏ)
R Squared 0.925
Standard Error 3.428 Variance of Y = 11.748
Observations 25 SSE = 19(11.748) = 223.22
Degrees of Freedom 19
Standard

Term in Model Coefficients Error t-Stat t (19,0.95)= 2.093)

Intercept 15.08
X1 -7.70 0.99 -7.78
X2 -11.70 0.99 -11.80
X1*X1 0.64 1.47 0.44
X2*X2 5.09 1.47 3.46
X1*X2 5.21 1.21 4.30

Extra Sum of Squares (Delete X3) = 94.06 F(X3) = (94.06/4) / 8.611 = 2.73
Extra Degrees of Freedom, m = 4 F (4,15,0.95) = 3.06

HÌNH 10.8: Kiểm tra tầm quan trọng của X3 trong nghiên cứu bề mặt phản ứng ba yếu
tố
10.6.1 Giải thích phân tích bề mặt phản hồi
Người ta biết từ phép tính cơ bản rằng maxima hoặc minima của một phương trình bậc hai
đơn giản trong một biến, x, có thể thu được bằng cách phân biệt phương trình đối với x, đặt kết
quả bằng không và giải cho x. Quy trình này cũng có thể được mở rộng đến các phương trình bậc
hai chiều cao hơn. Nếu phương trình bậc hai được viết dưới dạng

Y = b0 + xBL + xBQxT (10.13)

where x = [ X1 X2 ... Xk ] là vectơ của mức được mã hóa của mỗi biến độc lập,

là vectơ của các hệ số của các điều kiện tuyến tính, và

là một ma trận đối xứng với các hệ số của các điều kiện bình phương trên đường chéo và một
nửa hệ số của các điều kiện sản phẩm chéo trên các đường chéo. Sau đó, giải pháp cho X1, X2, ...,
Xk, sau khi phân biệt Phương trình 10.13 đối với mỗi X (X1, X2, ..., Xk), và thiết lập mỗi kết quả
 Phù hợp biểu đồ bề mặt phản hồi 278
bằng không, thu được bằng cách giải các phương trình tuyến tính đồng thời k cho điểm đứng
yên. Kết quả, ở dạng ma trận, là:

xS = −(1/2)B−Q1BL. (10.14)
Ví dụ, hãy xem xét hai phương trình bậc hai biến đổi

Tại:
Y = Lượng dư của một phản ứng hóa học,
X1 = (Tỷ lệ nước đến hữu cơ wt− 0.5)/0.5,

và

X2 = (Nhiệt độ − 113 oC)/18.

Trong trường hợp này Và

Đây là tọa độ tối đa như có thể thấy trong Hình 10.9.

Đối với một ví dụ ba biến, hãy xem xét ví dụ phản ứng hóa học đã được thảo luận trong Phần
9.6. Để thuận tiện, phương trình có nguồn gốc thực nghiệm được lặp lại ở đây:

Trong trường hợp này

Vì vậy xS là kết quả tính:

279 Chiến lược thực nghiệm cơ bản và phân tích dữ liệu cho khoa học và kỹ thuật

(135 oC) 1

Temperature
Maximum
74.65

74 +
73

72
o (95 C) -1
-1 1
Aq/Org Wt. Ratio
(0.0) (1.0)

HÌNH 10.9: Biểu đồ đường viền của năng suất

Lưu ý (bằng cách so sánh với Số 9.16–9.18) rằng đây không phải là tọa độ của năng suất tối
đa, xảy ra ở mức xấp xỉ X1 = 0, X2 = −1, và X3 = −1. Nói chung, xS được gọi là điểm đứng yên của bề
mặt phản hồi, và nó phải được xác định xem nó có phải là điểm tối đa, tối thiểu hoặc yên ngựa
bằng cách lấy các dẫn xuất thứ hai của phương trình bậc hai hay không. Kiểm tra các dẫn xuất
thứ hai này tương đương với việc kiểm tra nguồn gốc của phương trình đặc trưng cho BQ.
Phương trình đặc trưng cho BQ là:

=0 (10.15)
Tại | | Đề cập đến yếu tố quyết định của ma trận (BQ − λI). Nguồn gốc của phương trình này là
Giá trị riêng s, λ1, λ2, ... , λp. Nếu tất cả các rễ (giá trị riêng) là dương, điểm đứng yên, xS, Đại diện
cho tối thiểu bề mặt phản hồi. Nếu tất cả các rễ đều tiêu cực, nó chỉ ra rằng điểm đứng yên, xS,
Là tối đa của bề mặt phản hồi. Cuối cùng, nếu một số rễ là tích cực trong khi những rễ khác là
tiêu cực, nó chỉ ra rằng điểm đứng yên, xS, là một điểm yên ngựa trong bề mặt phản hồi (không
phải là tối thiểu cũng không phải là tối đa).
Đối với ví dụ hai yếu tố, phương trình đặc trưng là:
 Phù hợp biểu đồ bề mặt phản hồi 280
Gốc rễ của phương trình bậc hai này là λ1 = −3.75 và λ2 = −1.28, Chỉ ra rằng xS là tối đa. Giá trị
riêng của ma trận, BQ, ví dụ thứ hai (hệ thống ba yếu tố) được thảo luận trong Phần 9.6 và lặp đi
lặp lại ở trên là λ1 = −1.31, λ2 = −0.26, và λ3 = +0.99, điều này chỉ ra rằng điểm đứng yên, xS, Là một
điểm yên ngựa. Các chương trình máy tính để lắp phương trình bậc hai dạng Phương trình 10.13
tự động tính toán xS và giá trị riêng của BQ.
Nếu mục đích của việc xây dựng một bề mặt phản hồi là để xác định lý luận phản ứng tối đa
hoặc tối thiểu, điểm đứng yên có thể rất hữu ích. Nếu xS nằm trong khu vực thử nghiệm (i.e., mỗi
thành phần nằm trong −1 to +1 cho thiết kế Box-Behnken hoặc bên trong −α đến +α đối với một
thiết kế composite trung tâm), và nó là tối đa hoặc tối thiểu (bất cứ điều gì được tìm kiếm), mục
đích đã được thực hiện. Đây là trường hợp khi máy tính xS ví dụ về hai yếu tố trong phần này.
Nếu điểm đứng yên nằm ngoài khu vực, hoặc không phải là tối đa hoặc tối thiểu được tìm kiếm,
giống như đối với ví dụ ba yếu tố trong phần này, công việc bổ sung có thể là cần thiết. Nếu tối
đa nằm trên ranh giới của vùng thực nghiệm như trong Hình 9.16, điểm đứng yên của phương
trình giảm (sau khi ấn định thời gian, X2 = 1 và nhiệt độ, X3 = −1) có thể hữu ích; nếu không các kỹ
thuật số được mô tả trong tiểu mục tiếp theo có thể được sử dụng.

10.6.2 Phương pháp số để giải thích bề mặt phản hồi

Với sự sẵn có của các máy tính hiện đại, giảm thiểu chức năng thường được thực hiện bằng
các phương pháp số thay vì phân tích (như được mô tả trong phần cuối cùng). Nếu phản ứng
được mô tả là một hàm tuyến tính của các biến hoặc yếu tố độc lập, giảm thiểu hoặc tối đa hóa
trong khu vực thử nghiệm là một vấn đề lập trình tuyến tính có thể được giải quyết bằng thuật
toán simplex nổi tiếng. Khi phản ứng được mô tả bằng phương trình bậc hai, thì tối đa hóa, giảm
thiểu, hoặc tối đa hóa hoặc giảm thiểu hạn chế có thể được thực hiện bằng cách sử dụng lập
trình phi tuyến. Hầu hết các thuật toán này sẽ hoạt động tốt trên các chức năng bậc hai như các
thuật toán được phát triển từ các thiết kế bề mặt phản hồi. Một số chương trình máy tính có sẵn
trên thị trường để phân tích bề mặt phản hồi cũng có các thuật toán lập trình phi tuyến.

10.7 Độ chính xác của dự đoán

Xác định độ chính xác của một dự đoán được tính bằng giá trị thực nghiệm của chúng ta đã
được thảo luận trong Chương 8, Mục 8.4.5. Tóm lại, dự đoán giá trị thực nghiệm của chúng ta ở
ˆ ˆ
một số điều kiện, Xo, được tính theo Y = X0B . Mặc dù một phương trình có vẻ ngoài rất chính
ˆ ˆ
xác, nhưng rõ ràng nó có một số lỗi tiềm ẩn vì B không được biết chính xác. Sự thay đổi trong Y
được đưa ra bởi Phương trình 8.47, được lặp lại dưới đây là Phương trình 10.16:

. (10.16)

Hãy nhớ rằng X là tập hợp n của các điều kiện mà tại đó các thí nghiệm được chạy, và do đó nó
không thay đổi, và nó được biết chính xác (có lẽ). Mặt khác, Xo là tập hợp các điểm mà chúng ta
281 Chiến lược thực nghiệm cơ bản và phân tích dữ liệu cho khoa học và kỹ thuật
ˆ
muốn tính toán phương sai của Y . Điều đó có thể ít nhất là chỉ một điểm hoặc một số lượng rất
lớn các điểm, và ma trận thay đổi cho phù hợp. Nó hoàn toàn phụ thuộc vào chúng ta; chúng ta
có thể chọn bất kỳ Tập hợp các điều kiện quan tâm đối với chúng ta. Điều duy nhất cần lưu ý là
nguy hiểm là rất lớn khi ngoại suy bên ngoài khu vực thử nghiệm. Giá trị thực nghiệm đa thức chỉ
đơn thuần là một đường cong linh hoạt mà chỉ nên được mong đợi là hữu ích trong vùng lân cận
dữ liệu của chúng ta.
Tiếp tục với ví dụ nhiệt phân polypropylene của chúng ta, nếu chúng ta quan tâm đến đường
ˆ
cong của Y so với vận tốc lưu thông, khi nhiệt độ là 525 oC, chúng ta có thể tính toán các dự đoán
(đường cong) bằng phương trình hồi quy và sự thay đổi trong các dự đoán đó bằng Phương trình
10.16. Để đảm bảo rằng việc sử dụng Phương trình 10.16 là rõ ràng, chúng ta hãy tính toán sự
ˆ
thay đổi của Y ví dụ nhiệt phân polypropylene của chúng ta với vận tốc lưu thông 0,15 và nhiệt
độ of 525oC. Nhớ dữ liệu của chúng ta:

X1 = [nhiệt độ − 525] / 100 = (525 − 525) / 100 = 0,

X2 = [vận tốc − 0.50] / 0.25 = (0.15 − 0.50) / 0.25 = −1.4,
= 0,
= 1.96, và

X5 = X1X2 = (0)(−1.4) = 0.

Ma trận Xo (Cẩn thận bao gồm một “1” đối với điều kiện liên tục) sau đó trở thành:

X .

Khi chúng ta sử dụng Xo ma trận trong Phương trình 10.16 và thay thế s2 cho σ2, chúng ta lấy:

ˆ
Hoặc Var(B ) = [1.932].

Giới hạn lỗi trên các giá trị phương trình thường được báo cáo là cộng hoặc trừ gấp đôi
độ lệch chuẩn của Yˆ , đó là gần đúng 95% giới hạn sự tự tin trên đường cong. Đối với
các giá trị này của X1 và X2, giới hạn lỗi là ±2 √ 1.932 = ±2.78. Giới hạn lỗi cho các giá trị
khác của vận tốc lưu lượng đã được tính toán theo cách tương tự, thay đổi xấp xỉ Xo.
Kết quả của các phép tính đó được hiển thị bằng số trong Bảng 10.4 và đồ họa trong
Hình 10.10.
BẢNG 10.4
Giới hạn lỗi được tính toán cho Ví dụ Nhiệt phân Polypropylene
Vận tốc lưu
s2 ˆ ˆ ˆ
thông X2 Yˆ Y sYˆ Y − 2sYˆ Y + 2s Yˆ

0.15 −1.4 56.83 1.93 1.39 54.05 59.61

 Phù hợp biểu đồ bề mặt phản hồi 282
0.25 −1.0 64.53 0.83 0.91 62.70 66.35
0.35 −0.6 70.15 0.54 0.74 68.68 71.62
0.45 −0.2 73.71 0.53 0.73 72.26 75.17
0.55 0.2 75.20 0.53 0.73 73.75 76.66
0.65 0.6 74.62 0.54 0.74 73.15 76.09
0.75 1.0 71.98 0.83 0.91 70.15 73.80
0.85 1.4 67.26 1.93 1.39 64.48 70.04
80

75

70
Yield, %

65

60

55

50
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 Coded Velocity, unitless
0.125 0.250 0.375 0.500 0.625 0.750 0.875 Fluidization Velocity,
ft/sec
HÌNH 10.10: Giới hạn năng suất và sai số dự đoán cho Ví dụ Nhiệt phân polypropylene (ở nhiệt
độ 525 oC)

Một điều khác cần chú ý từ ví dụ này là các dự đoán trở nên ít chính xác hơn khi bạn di
chuyển ra khỏi trung tâm của khu vực thử nghiệm. Điều này hoàn toàn đúng đối với các
giá trị thực nghiệm tuyến tính (bao gồm các giá trị thực nghiệm có tương tác). Nhưng
đối với các bề mặt phản ứng (giá trị thực nghiệm bậc hai), mối quan hệ giữa độ chính
xác của dự đoán và khoảng cách từ trung tâm của khu vực thử nghiệm phức tạp hơn.
Hãy nhớ rằng số điểm trung tâm trong thiết kế RSM được chọn để làm cho độ chính xác
ở trung tâm của khu vực thử nghiệm gần bằng độ chính xác xung quanh ngoại vi của
khu vực. Đưa ra dự đoán bên ngoài khu vực thử nghiệm chạy vào vấn đề độ chính xác
của các dự đoán trở nên tồi tệ hơn, nhưng quan trọng hơn, nó chạy vào vấn đề của giá
trị thực nghiệm bậc hai không còn là một xấp xỉ tốt của bề mặt phản ứng thực sự.

10.8 Tóm tắt

10.8.1 Quy trình chung để phân tích dữ liệu từ thiết kế RSM

PHÙ HỢP VỚI GIÁ TRỊ THỰC NGHIỆM BẬC HAI ĐẦY ĐỦ
283 Chiến lược thực nghiệm cơ bản và phân tích dữ liệu cho khoa học và kỹ thuật
Sử dụng một chương trình máy tính dựa trên việc giảm thiểu tổng số ô vuông còn lại.

KIỂM TRA DỮ LIỆU CHO NGOẠI LỆ

1. Tính toán phần còn lại.
2. Xây dựng một biểu đồ bán bình thường của phần còn lại.
3. Nếu phần còn lại trông ổn (rơi trên một đường thẳng), hãy tiến hành bước tiếp
theo (viên đạn).
4. Nếu bất kỳ phần còn lại nào quá lớn, hãy vứt bỏ điểm dữ liệu tồi tệ nhất và quay
trở lại bước đầu tiên (phù hợp với phương trình bậc hai đầy đủ một lần nữa với tập
hợp dữ liệu giảm). Nếu có thể, điểm dữ liệu đang bị loại bỏ nên được chạy lại để xác
định xem kết quả có giả mạo hay không, hoặc liệu giá trị thực nghiệm chỉ đơn giản là
không phù hợp với dữ liệu ở những điều kiện đó.

GIÁ TRỊ THỰC NGHIỆM CẮT XUỐNG ĐẾN CHỨC NĂNG ĐẦY ĐỦ NHỎ NHẤT
1. Kiểm tra từng biến độc lập để xem liệu nó có thể bị xóa hay không. Điều này được
thực hiện bằng cách phù hợp với giá trị thực nghiệm có và không có biến dưới sự
giám sát. Nếu các điều kiện m bị bỏ khi biến bị xóa, bạn phải xem liệu SSE có tăng
đáng kể hơn m×s2 hay không. Lưu ý: s2 được ước tính từ sự phù hợp của giá trị thực
nghiệm lớn hơn (với mật độ tự do ν), và ý nghĩa được đánh giá bằng cách so sánh tỷ
lệ (SSIncrease / m) / s2 với F- Phân phối với mật độ tự do m và ν.
2. Xóa Yêu cầu cao (đối với các biến quan trọng) mà điều đó không đáng kể. Điều này
nên được thực hiện từng nhiệm kỳ một, bắt đầu với điều kiện có giá trị t nhỏ nhất.
Lưu ý: Nó có thể xảy ra rằng một điều kiện tuyến tính không đáng kể mặc dù một
tương tác hoặc một điều kiện bậc hai với cùng một biến là đáng kể. Trong trường
hợp này (không phổ biến lắm), bạn không nên làm giảm điều kiện tuyến tính.
KIỂM TRA GIÁ TRỊ THỰC NGHIỆM ĐẦY ĐỦ
Kiểm tra sự thiếu phù hợp để đảm bảo rằng một giá trị thực nghiệm bậc hai là đầy
đủ. Điều này được thực hiện bằng cách phá vỡ tổng số hình vuông còn lại,SSE, và mật
độ tự do liên quan của nó, νR, thành hai mảnh: (1) tổng số ô vuông từ lỗi thuần túy
(từ giá trị nhân rộng), SSPE, và (2) Tổng số hình vuông do thiếu phù hợp, SSLoF, bởi sự
khác biệt (SSLoF = SSE − SSPE). Chú ý: νLoF = νR − νPE. Thiếu phương sai phù hợp, s2LoF, Sau
đó có thể được tính toán (s2LoF = SSLoF/νLoF) và kiểm tra xem nó có lớn hơn đáng kể
không s2 = s2PE = SSPE/νPE. Tầm quan trọng được xác định bằng cách so sánh với phân
phối F với νLoF và νPE mật độ tự do.
3. Kiểm tra phần còn lại cho xu hướng. Điều này được thực hiện bằng cách vẽ phần còn
lại chống lại bất kỳ biến thể nào có ý nghĩa (e.g., chạy thứ tự, X1, etc.). Nếu có bất kỳ
xu hướng nào, đó là một dấu hiệu cho thấy một cái gì đó nên được thêm vào giá trị
thực nghiệm.
HIỂN THỊ GIÁ TRỊ THỰC NGHIỆM CUỐI CÙNG Ở DẠNG ĐỒ HỌA
 Phù hợp biểu đồ bề mặt phản hồi 284
Điều này thường được thực hiện tốt nhất thông qua các biểu đồ đường viền nếu chỉ có
hai (hoặc có lẽ ba) biến quan trọng.

10.8.2 Phương trình quan trọng

ˆ
Ước tính hệ số, B (Phương trình 8.36 và Phương trình 10.2)
Bˆ = (XTX)−1 XTY

ˆ
Sự thay đổi của hệ số, B (Phương trình 8.41 và Phương trình 10.12)
ˆ
Var(B ) = (XTX)−1 σ2
ˆ
Sự thay đổi trong dự đoán giá trị thực nghiệm, Y (Phương trình 8.47 và Phương trình 10.16)

ˆ
Sự thay đổi gần đúng trong dự đoán giá trị thực nghiệm, Y (Phương trình 8.48)
ˆ
V ar(Y ) ≈ cσ2/n
10.8.3 Các điều kiện và khái niệm quan trọng

10.9 Bài tập

1. Dữ liệu Y dưới đây phù hợp với giá trị thực nghiệm tuyến tính trong X. Đầu ra hồi quy cũng
được đưa ra dưới đây. Giá trị thực nghiệm có đầy đủ không? Sử dụng bài kiểm tra thiếu
phù hợp để xác định câu trả lời của bạn.

X Y ANOVA
−2 31 df SS MS
−2 33 Regression 1 4500 4500
−1 53 Residual 8 118 14.75
−1 53 Total 9 4618
0 71
0 69 REGRESSION OUTPUT
1 83
1 83 Coeff Std Error t-Stat
2 93 Intercept 66 1.214 54.344
2 91 X 15 0.859 17.467

2. Các dữ liệu sau đây đã được thực hiện để nghiên cứu tác động của ba yếu tố đối với năng
suất của phản ứng hóa học. Lưu ý: mục tiêu là giảm thiểu % tạp chất.