İST471-İST.

DENEY DÜZENLEME
UYGULAMA 9-R UYGULAMASI

SORU 1:
######################################
######## UYGULAMA 9-TAM MODEL ########
######################################

A <- rep(c(-1, 1), 8)

B <- rep(c(-1, -1, 1, 1), 4)
C <- rep(c(-1,-1,-1,-1,1,1,1,1), 2)
D <- c(rep(-1,8), rep(1,8))
tasarim <- cbind(A,B,C,D)

data <- data.frame(tekrar = rep(1:3, each = 16), rbind(tasarim))

tekrar1 <- c(45, 71, 48, 65, 68, 60, 80, 65, 43, 100, 45, 104, 75, 86, 70, 96)
tekrar2 <- c(40, 81, 47, 71, 65, 69, 82, 63, 52, 103, 48, 110, 80, 84, 73, 92)
tekrar3 <- c(46, 71, 50, 63, 67, 54, 79, 64, 41, 98, 43, 103, 76, 85, 72, 94)

data$y <- c(tekrar1, tekrar2, tekrar3)

aggregate(y ~ A + B + C + D, FUN = mean, data = data)

## A B C D y
## 1 -1 -1 -1 -1 43.66667
## 2 1 -1 -1 -1 74.33333
## 3 -1 1 -1 -1 48.33333
## 4 1 1 -1 -1 66.33333
## 5 -1 -1 1 -1 66.66667
## 6 1 -1 1 -1 61.00000
## 7 -1 1 1 -1 80.33333
## 8 1 1 1 -1 64.00000
## 9 -1 -1 -1 1 45.33333
## 10 1 -1 -1 1 100.33333
## 11 -1 1 -1 1 45.33333
## 12 1 1 -1 1 105.66667
## 13 -1 -1 1 1 77.00000
## 14 1 -1 1 1 85.00000
## 15 -1 1 1 1 71.66667
## 16 1 1 1 1 94.00000

Adım 1: Özelliklerin belirlenmesi

Deney planı: 3*24 yapıdadır.

Cevap değişkeni: Filtrasyon hızı

Etkenler: A: sıcaklık, B: basınç, C: formaldehit konsantrasyonu, D: karıştırma hızı

Amaç: Maksimum filtrasyon hızını veren kombinasyonu bulmak

1 Doç. Dr. A. Ezgi YILMAZ

Adım 2: Normal dağılım varsayımının test edilmesi

library(nortest)

shapiro.test(data$y)

##
## Shapiro-Wilk normality test
##
## data: data$y
## W = 0.95981, p-value = 0.09923

Shapiro-Wilk testi incelendiğinde:

Ho: Filtrasyon hızı verilerinin dağılımı ile normal dağılım arasında fark yoktur.
Hs: Filtrasyon hızı verilerinin dağılımı ile normal dağılım arasında fark vardır.
p= 0.0992 > 0.05 Ho reddedilemez. Verilerin normal dağılım gösterdiği söylenebilir.

Adım 3: Varyans homojenliği varsayımının test edilmesi

#########Varyanslarin homojenligi varsayimi incelemesi

grup <- factor(rep(c(1:16), 3))
data <- data.frame(data,grup)

bartlett.test(data$y~grup)

##
## Bartlett test of homogeneity of variances
##
## data: data$y by grup
## Bartlett's K-squared = 19.022, df = 15, p-value = 0.2128

Bartlett testi incelendiğinde:

Ho: Grup varyansları homojendir.
Hs: En az birisi farklıdır.
p= 0.2128 > 0.05 Ho reddedilemez. 16 tane grubun varyanslarının homojen olduğu söylenebilir.

2 Doç. Dr. A. Ezgi YILMAZ

A. Varyans çözümlemesi yapınız. Filtrasyon hızını tahmin etmek için bu deney sonuçlarına dayanan
regresyon denklemini yazınız.

Adım 4: Varyans Çözümlemesi

model <- lm(y~ A * B * C * D, data = data)

anova(model)

## Analysis of Variance Table

##
## Response: y
## Df Sum Sq Mean Sq F value Pr(>F)
## A 1 5568.5 5568.5 441.8000 < 2.2e-16 ***
## B 1 93.5 93.5 7.4198 0.01036 *
## C 1 927.5 927.5 73.5884 8.385e-10 ***
## D 1 2685.0 2685.0 213.0264 1.070e-15 ***
## A:B 1 2.5 2.5 0.2000 0.65773
## A:C 1 4543.5 4543.5 360.4777 < 2.2e-16 ***
## B:C 1 63.0 63.0 5.0000 0.03245 *
## A:D 1 2655.2 2655.2 210.6595 1.251e-15 ***
## B:D 1 3.5 3.5 0.2793 0.60078
## C:D 1 13.0 13.0 1.0331 0.31707
## A:B:C 1 22.7 22.7 1.8000 0.18916
## A:B:D 1 346.7 346.7 27.5058 9.754e-06 ***
## A:C:D 1 38.5 38.5 3.0562 0.09002 .
## B:C:D 1 88.0 88.0 6.9835 0.01263 *
## A:B:C:D 1 9.2 9.2 0.7289 0.39958
## Residuals 32 403.3 12.6
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

etkidegerleri <- model$coefficients*2

Buradan tüm ana etkilerin, AC, AD ve BC ikili etkileşimlerinin, ABD ve BCD üçlü etkileşimlerinin
anlamlı olduğu görülür.

Adım 5: Uygun Modelin Kurulması

Varyans çözümleme tablosunda tüm ana etkilerin, AC, AD ve BC ikili etkileşimlerinin, ABD ve BCD
üçlü etkileşimlerinin anlamlı olduğu görüldüğü için bu etkenlerle model kurulur.

model2 <- lm(y~ A + B + C + D + A:C + B:C + A:D + A:B:D + B:C:D, data = data)
summary(model2)

##
## Call:
## lm(formula = y ~ A + B + C + D + A:C + B:C + A:D + A:B:D + B:C:D, data = data)

##
## Residuals:
## Min 1Q Median 3Q Max
## -5.8750 -2.3333 -0.0417 1.7708 9.1250
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 70.5625 0.5198 135.755 < 2e-16 ***
## A 10.7708 0.5198 20.722 < 2e-16 ***
## B 1.3958 0.5198 2.685 0.0107 *
3 Doç. Dr. A. Ezgi YILMAZ
## C 4.3958 0.5198 8.457 2.89e-10 ***
## D 7.4792 0.5198 14.389 < 2e-16 ***
## A:C -9.7292 0.5198 -18.718 < 2e-16 ***
## B:C 1.1458 0.5198 2.204 0.0336 *
## A:D 7.4375 0.5198 14.309 < 2e-16 ***
## A:B:D 2.6875 0.5198 5.170 7.79e-06 ***
## B:C:D -1.3542 0.5198 -2.605 0.0130 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.601 on 38 degrees of freedom
## Multiple R-squared: 0.9718, Adjusted R-squared: 0.9651
## F-statistic: 145.4 on 9 and 38 DF, p-value: < 2.2e-16

tahmin_tam <- predict(model2)

Tahmin değerleri:
tahmin_tam

## 1 2 3 4 5 6 7 8
## 44.04167 75.54167 47.20833 67.95833 67.29167 59.87500 80.45833 62.29167
## 9 10 11 12 13 14 15 16
## 46.79167 97.29167 44.62500 105.87500 75.45833 87.04167 72.45833 94.79167
## 17 18 19 20 21 22 23 24
## 44.04167 75.54167 47.20833 67.95833 67.29167 59.87500 80.45833 62.29167
## 25 26 27 28 29 30 31 32
## 46.79167 97.29167 44.62500 105.87500 75.45833 87.04167 72.45833 94.79167
## 33 34 35 36 37 38 39 40
## 44.04167 75.54167 47.20833 67.95833 67.29167 59.87500 80.45833 62.29167
## 41 42 43 44 45 46 47 48
## 46.79167 97.29167 44.62500 105.87500 75.45833 87.04167 72.45833 94.79167

A B C D DK Tahmin
- - - - (1) 44.042
+ - - - a 75.542
- + - - b 47.208
+ + - - ab 67.958
- - + - c 67.292
+ - + - ac 59.875
- + + - bc 80.458
+ + + - abc 62.292
- - - + d 46.792
+ - - + ad 97.292
- + - + bd 44.625
+ + - + abd 105.875
- - + + cd 75.458
+ - + + acd 87.042
- + + + bcd 72.458
+ + + + abcd 94.792

Çalışmada amaç filtrasyon hızının max. olması ise: A+, B+, C-, D- tercih edilir.

4 Doç. Dr. A. Ezgi YILMAZ

B. Tekrarlara ABCD’nin karıştırdığı varsayılsın. Gerekli çözümlemeleri yapınız.

Özelliklerin belirlenmesi

Deney planı: 3*24 yapıdadır. Etki karışımlı deney planıdır.

Tanımlayıcı bağıntının incelenmesi

Tanımlayıcı bağıntı:
Tekrarlarda L=ABCD olarak alındığında etki karışımlı deney analizi yapılır.

DK L=ABCD
1 0+0+0+0=0 B1=0 B2=1
a 1+0+0+0=1 1 a
b 0+1+0+0=1 ab b
ab 1+1+0+0=0 ac c
c 0+0+1+0=1 bc abc
ac 1+0+1+0=0 ad d
bc 0+1+1+0=0 bd abd
abc 1+1+1+0=1 cd acd
d 0+0+0+1=1 abcd bcd
ad 1+0+0+1=0
bd 0+1+0+1=0
abd 1+1+0+1=1
cd 0+0+1+1=0
acd 1+0+1+1=1
bcd 0+1+1+1=1
abcd 1+1+1+1=0

Elde edilen bloklar yeni bir değişken olarak girilir.

######################################
######## ETKI KARISIMLI MODEL ########
######################################

b <- c(1,2,2,1,2,1,1,2,2,1,1,2,1,2,2,1)
blok <- rep(b, 3)

data <- data.frame(data,blok)

data$tekrar <- as.factor(data$tekrar)

data$blok <- as.factor(data$blok)

5 Doç. Dr. A. Ezgi YILMAZ

Adım 4: Varyans Çözümlemesi

model3 <- lm(y~ tekrar + blok + tekrar:blok + A * B * C * D, data = data)

anova(model3)

## Analysis of Variance Table

##
## Response: y
## Df Sum Sq Mean Sq F value Pr(>F)
## tekrar 2 97.1 48.6 4.5087 0.020069 *
## blok 1 9.2 9.2 0.8530 0.363597
## A 1 5568.5 5568.5 517.0000 < 2.2e-16 ***
## B 1 93.5 93.5 8.6828 0.006407 **
## C 1 927.5 927.5 86.1141 4.881e-10 ***
## D 1 2685.0 2685.0 249.2863 1.800e-15 ***
## tekrar:blok 2 4.6 2.3 0.2147 0.808099
## A:B 1 2.5 2.5 0.2340 0.632305
## A:C 1 4543.5 4543.5 421.8356 < 2.2e-16 ***
## B:C 1 63.0 63.0 5.8511 0.022317 *
## A:D 1 2655.2 2655.2 246.5164 2.072e-15 ***
## B:D 1 3.5 3.5 0.3269 0.572060
## C:D 1 13.0 13.0 1.2089 0.280915
## A:B:C 1 22.7 22.7 2.1064 0.157798
## A:B:D 1 346.7 346.7 32.1876 4.422e-06 ***
## A:C:D 1 38.5 38.5 3.5764 0.068994 .
## B:C:D 1 88.0 88.0 8.1721 0.007943 **
## Residuals 28 301.6 10.8
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

NOT: Program tümü hipotez testi sonuçlarını verse de sadece ana etkenler ve tanımlayıcı bağıntı olarak
belirlenmemiş olan etkileşimler için sonuçlar göz önüne alınır. Burada sadece A, B, C, D ve ikili ile üçlü
etkileşimler için inceleme yapılır.

H01: A etkeni önemsizdir. p<0.001 olduğu için Ho reddedilir.

H14: BCD etkileşimi önemsizdir. p=0.0079<0.05 olduğu için Ho reddedilir.

Sonuçta A, B, C, D, AC, AD, BC, ABD, BCD önemli bulunmuştur.

Adım 5: Uygun Modelin Kurulması

Varyans çözümleme tablosunda tüm ana etkilerin, AC, AD ve BC ikili etkileşimlerinin, ABD ve BCD
üçlü etkileşimlerinin anlamlı olduğu görüldüğü için bu etkenlerle model kurulur.

model4 <- lm(y~ A + B + C + D + A:C + A:D + B:C + A:B:D + B:C:D, data = data)

anova(model4)

## Analysis of Variance Table

##
## Response: y

6 Doç. Dr. A. Ezgi YILMAZ

## Df Sum Sq Mean Sq F value Pr(>F)
## A 1 5568.5 5568.5 429.3981 < 2.2e-16 ***
## B 1 93.5 93.5 7.2115 0.01068 *
## C 1 927.5 927.5 71.5227 2.894e-10 ***
## D 1 2685.0 2685.0 207.0465 < 2.2e-16 ***
## A:C 1 4543.5 4543.5 350.3586 < 2.2e-16 ***
## A:D 1 2655.2 2655.2 204.7460 < 2.2e-16 ***
## B:C 1 63.0 63.0 4.8596 0.03362 *
## A:B:D 1 346.7 346.7 26.7337 7.786e-06 ***
## B:C:D 1 88.0 88.0 6.7874 0.01303 *
## Residuals 38 492.8 13.0
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

tahmin_etki <- predict(model4)

data <- data.frame(data,tahmin_etki)

data[12,]

## tekrar A B C D y grup tahmin_tam blok tahmin_etki

## 12 1 1 1 -1 1 104 12 105.875 2 105.875

Çalışmada amaç filtrasyon hızının max. olması ise: A+, B+, C-, D- tercih edilir.

C. Tekrar 1’e ABCD, Tekrar 2’ye ABC ve Tekrar 3’e CD’nin karıştırdığı varsayılsın. Gerekli
çözümlemeleri yapınız.

Özelliklerin belirlenmesi

Deney planı: 3*24 yapıdadır. Kısmi karışımlı yapıdadır.

Tanımlayıcı bağıntıların incelenmesi

Tekrar 1’de L1=ABCD Tekrar 2’de L2=ABC Tekrar 3’te L3=CD olarak alındığında kısmi karışımlı
deney analizi yapılır.

DK L1=ABCD L2=ABC L3=CD

1 0+0+0+0=0 0+0+0=0 0+0=0 Tekrar 1 Tekrar 2 Tekrar 3
a 1+0+0+0=1 1+0+0=1 0+0=0 B1=0 B2=1 B1=0 B2=1 B1=0 B2=1
b 0+1+0+0=1 0+1+0=1 0+0=0 1 a 1 a 1 c
ab 1+1+0+0=0 1+1+0=0 0+0=0 ab b ab b a ac
c 0+0+1+0=1 0+0+1=1 1+0=1 ac c ac c b bc
ac 1+0+1+0=0 1+0+1=0 1+0=1 bc abc bc abc ab abc
bc 0+1+1+0=0 0+1+1=0 1+0=1 ad d d ad cd d
abc 1+1+1+0=1 1+1+1=1 1+0=1 bd abd abd bd acd ad
d 0+0+0+1=1 0+0+0=0 0+1=1 cd acd acd cd bcd bd
ad 1+0+0+1=0 1+0+0=1 0+1=1 abcd bcd bcd abcd abcd abd
bd 0+1+0+1=0 1+0+0=1 0+1=1
abd 1+1+0+1=1 1+1+0=0 0+1=1
cd 0+0+1+1=0 0+0+1=1 1+1=0
acd 1+0+1+1=1 1+0+1=0 1+1=0
bcd 0+1+1+1=1 0+1+1=0 1+1=0
abcd 1+1+1+1=0 1+1+1=1 1+1=0
7 Doç. Dr. A. Ezgi YILMAZ
Elde edilen bloklar yeni bir değişken olarak girilir.

######################################
######## KISMİ KARISIMLI MODEL #######
######################################

b1 <- c(1,2,2,1,2,1,1,2,2,1,1,2,1,2,2,1)
b2 <- c(1,2,2,1,2,1,1,2,1,2,2,1,2,1,1,2)
b3 <- c(1,1,1,1,2,2,2,2,2,2,2,2,1,1,1,1)
blok2 <- c(b1,b2,b3)

data <- data.frame(data,blok2)

data$tekrar <- as.factor(data$tekrar)

data$blok2 <- as.factor(data$blok2)

Adım 4: Varyans Çözümlemesi

model5 <- lm(y~ tekrar + tekrar%in%blok2 + A * B * C * D, data = data)

anova(model5)

## Analysis of Variance Table

##
## Response: y
## Df Sum Sq Mean Sq F value Pr(>F)
## tekrar 2 97.1 48.6 4.9694 0.014535 *
## A 1 5568.5 5568.5 569.8226 < 2.2e-16 ***
## B 1 93.5 93.5 9.5699 0.004563 **
## C 1 927.5 927.5 94.9125 2.479e-10 ***
## D 1 2685.0 2685.0 274.7562 1.120e-15 ***
## tekrar:blok2 3 11.8 3.9 0.4029 0.752051
## A:B 1 2.5 2.5 0.2580 0.615653
## A:C 1 4543.5 4543.5 464.9351 < 2.2e-16 ***
## B:C 1 63.0 63.0 6.4489 0.017172 *
## A:D 1 2655.2 2655.2 271.7034 1.285e-15 ***
## B:D 1 3.5 3.5 0.3603 0.553354
## C:D 1 34.0 34.0 3.4824 0.072923 .
## A:B:C 1 38.3 38.3 3.9173 0.058073 .
## A:B:D 1 346.7 346.7 35.4763 2.375e-06 ***
## A:C:D 1 38.5 38.5 3.9418 0.057343 .
## B:C:D 1 88.0 88.0 9.0071 0.005729 **
## A:B:C:D 1 3.1 3.1 0.3198 0.576410
## Residuals 27 263.9 9.8
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

NOT: Program tümü hipotez testi sonuçlarını verse de sadece ana etkenler ve tanımlayıcı bağıntı olarak
belirlenmemiş olan etkileşimler için sonuçlar göz önüne alınır. Burada sadece A, B, C, D ve AB, AC,
AD, BC, BD, ABD, BCD için inceleme yapılır.

H01: A etkeni önemsizdir. p<0.001 olduğu için Ho reddedilir.

…
H12: BCD etkileşimi önemsizdir. p=0.006<0.05 olduğu için Ho reddedilir.

Sonuçta A, B, C, D, AC, AD, BC, ABD, BCD önemli bulunmuştur.

8 Doç. Dr. A. Ezgi YILMAZ
Adım 5: Uygun Modelin Kurulması

Varyans çözümleme tablosunda tüm ana etkilerin, AC, AD ve BC ikili etkileşimlerinin, ABD ve BCD
üçlü etkileşimlerinin anlamlı olduğu görüldüğü için bu etkenlerle model kurulur.

model6 <- lm(y~ A + B + C + D + A:C + A:D + B:C + A:B:D + B:C:D, data = data)

anova(model6)

## Analysis of Variance Table

##
## Response: y
## Df Sum Sq Mean Sq F value Pr(>F)
## A 1 5568.5 5568.5 429.3981 < 2.2e-16 ***
## B 1 93.5 93.5 7.2115 0.01068 *
## C 1 927.5 927.5 71.5227 2.894e-10 ***
## D 1 2685.0 2685.0 207.0465 < 2.2e-16 ***
## A:C 1 4543.5 4543.5 350.3586 < 2.2e-16 ***
## A:D 1 2655.2 2655.2 204.7460 < 2.2e-16 ***
## B:C 1 63.0 63.0 4.8596 0.03362 *
## A:B:D 1 346.7 346.7 26.7337 7.786e-06 ***
## B:C:D 1 88.0 88.0 6.7874 0.01303 *
## Residuals 38 492.8 13.0
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

model6$fitted.values

## 1 2 3 4 5 6 7 8
## 44.04167 75.54167 47.20833 67.95833 67.29167 59.87500 80.45833 62.29167
## 9 10 11 12 13 14 15 16
## 46.79167 97.29167 44.62500 105.87500 75.45833 87.04167 72.45833 94.79167
## 17 18 19 20 21 22 23 24
## 44.04167 75.54167 47.20833 67.95833 67.29167 59.87500 80.45833 62.29167
## 25 26 27 28 29 30 31 32
## 46.79167 97.29167 44.62500 105.87500 75.45833 87.04167 72.45833 94.79167
## 33 34 35 36 37 38 39 40
## 44.04167 75.54167 47.20833 67.95833 67.29167 59.87500 80.45833 62.29167
## 41 42 43 44 45 46 47 48
## 46.79167 97.29167 44.62500 105.87500 75.45833 87.04167 72.45833 94.79167

data[12,]

## tekrar A B C D y grup tahmin_tam blok tahmin_etki blok2

## 12 1 1 1 -1 1 104 12 105.875 2 105.875 2

Çalışmada amaç filtrasyon hızının max. olması ise: A+, B+, C-, D- tercih edilir.

9 Doç. Dr. A. Ezgi YILMAZ