– Tipps Und Tricks Blog 004 –
Themen rund um DoE und Daten-Analyse
Heinz öffnet die Box der Pandora – oder warum „einfach mal Logarithmieren“ nicht immer die Lösung ist.
Heinz sitzt vor seinem neuen DoE-Modell. Seine Zielgröße ist extrem schief verteilt (siehe Grafik rechts, Histogramm 1). Ein klassischer Fall für eine Transformation, denkt er sich, und will routinemäßig auf den Log-Button drücken.
Doch statt der schnellen Lösung versucht er nun den Button „Box-Cox“ es öffnet sich eine Kurve: Der Profile-Likelihood-Plot (Grafik links). Erst denkt Heinz: „Noch so ein Statistikdiagramm, das mir die Zeit stiehlt…“ Dabei beantwortet diese Kurve eine der wichtigsten Fragen in der Datenanalyse: Welche Transformation bringt meine Daten der Normalverteilung wirklich am nächsten?
Die Magie im Hintergrund:
Die Software probiert automatisch eine ganze Familie von Transformationen durch – die sogenannte Box-Cox-Transformation. Sie testet verschiedene Lambda (λ)-Werte: von der inversen Darstellung (λ=-1) über den Logarithmus (λ=0) und die Wurzel (λ=0,5) bis hin zu linearen Daten (λ=1).
▫️ Der höchste Punkt der Kurve markiert das mathematische Optimum (λopt=0,17). Transformiert man die Daten damit, erhält man eine nahezu perfekte Normalverteilung (Histogramm 3).
▫️ Das grüne Band ist das statistische Sicherheitsnetz (das 95%-Konfidenz-intervall). Es zeigt Heinz alle Lambda-Werte, die für sein Modell vollkommen in Ordnung wären.
💡 Der Aha-Moment für die Praxis:
Logarithmieren (λ=0) ist kein Konkurrent zu Box-Cox. Es ist schlicht ein Spezialfall davon!
Heinz macht den Praxis-Check und sieht die harte Realität: Die rote gestrichelte Linie bei Null (λ=0) liegt definitiv außerhalb des grünen Bereichs! Der Standard-Logarithmus schießt damit über das Ziel hinaus. Er korrigiert die schiefen Ausgangsdaten nicht bloß, sondern verzerrt sie etwas in die entgegengesetzte Richtung (linksschief). Die Daten werden leicht über transformiert.
Heinz macht den Praxis-Check und sieht die harte Realität: Die rote gestrichelte Linie bei Null (λ=0) fällt deutlich aus dem grünen Bereich. Der Standard-Logarithmus schießt damit über das Ziel hinaus. Er korrigiert die schiefen Ausgangsdaten nicht nur – er dreht die Schiefe in die Gegenrichtung (linksschief). Die Daten werden leicht übertransformiert.
„Kleine Klarstellung: λ darf auch negativ sein (siehe Plot). Bedingung ist nur, dass die Rohdaten selbst positiv sind (y > 0). Bei Nullen/negativen Werten: Yeo-Johnson statt Box-Cox.“
Das Fazit:
👉 Nutzt Box-Cox nicht, um Modelle komplizierter zu machen, sondern um euer Bauchgefühl durch datenbasierte Gewissheit zu ersetzen. Liegt die Null im grünen Band? Bleibt beim Log. Liegt sie deutlich außerhalb? Dann holt Box-Cox das Optimum aus euren DoE-Daten heraus.
Welche Transformationen nutzt ihr am liebsten bei schiefen Daten? Standard-Log / Neg-Log oder lasst ihr die Software entscheiden? Mehr Beiträge findet ihr in unserer LinkedIn DoE-Community: https://lnkd.in/d8t4gt74
Zurückgerechnet in Prozentpunkte hängt der reale Effekt vom Betriebspunkt ab (Abb. 3a): bei niedrigem Ausbeute-Niveau rund 5,5 Prozentpunkte, bei hohem Niveau rund 7,4 – gleicher Koeffizient, unterschiedlicher realer Effekt.
Auch die Fehlerangabe wird gröber: Im Box-Cox-Raum lässt sich die Unsicherheit noch pro Faktor zuordnen (Abb. 2d). Im Realraum bleibt nur ein Gesamt-RMSE (Abb. 3b: ≈ 4,2 % Ausbeute) – die Vorhersage bleibt aber vollständig nutzbar.
Fazit: Transformation heißt nicht Kontrollverlust. Das Modell bleibt einstellbar, die Vorhersage bleibt in Realwerten ablesbar; nur die Einzeleffekt-Interpretation verändert sich.
Mehr zur Serie „DoE Tipps & Tricks“ und Praxisbeiträge in unserer LinkedIn-Community: https://lnkd.in/d8t4gt74
Ihr überlegt, ob sich Versuchsplanung für euren Prozess lohnt? Genau das ist Teil meiner DoE-Trainings: www.stefan-moser.com
Welche Transformationen nutzt ihr am liebsten bei schiefen Daten? Standard-Log / Neg-Log oder lasst ihr die Software entscheiden? Mehr Beiträge findet ihr in unserer LinkedIn DoE-Community: https://lnkd.in/d8t4gt74
