Wenn ein Faktor erst ab einer Schwelle wirkt

DoE-Happen #061Serie: Warum ist mancher Faktoreffekt nicht signifikant?Anwender5 Min. Lesezeitaktualisiert am 21.11.2026

  1. Pre-Screening
  2. Screening
  3. Charakterisierung
  4. Optimierung
  5. Toleranzen
  6. Robustheit

Kurz gesagt

Katalysatoren wirken oft schwellenartig: unterhalb einer Mindestdosierung gar nicht, darüber stark, irgendwann gesättigt. Ein Screening mit nur zwei Stufen beschreibt das als Gerade – das Modell passt dann nicht, sagt nichts vorher, und der zweite Faktor scheint wirkungslos. Erst zusätzliche Stützpunkte wie im CCF-Design machen den Verlauf und alle Effekte sichtbar.

„Der Faktor ist nicht signifikant – also lassen wir ihn weg.“

Ein Satz, der in so manchem Auswertemeeting fällt. Verständlich: Liegt der Effekt eines Faktors im Screening nicht über der Signifikanzgrenze, wirkt das wie ein klarer Hinweis – keine Wirkung, keine Relevanz, Kosten sparen.

Aber was, wenn genau dieser Eindruck trügt?

Woher kennen wir diese Situation?

In vielen Formulierungs- und Prozessentwicklungen arbeiten wir mit Zusätzen, die eine bestimmte Wirkung entfalten sollen – aber eben nicht linear. Katalysatoren sind dafür ein Paradebeispiel:

  • Unterhalb einer bestimmten Dosierung: keine erkennbare Wirkung.
  • Darüber: plötzlicher Anstieg der Reaktionsgeschwindigkeit.
  • Ab einem gewissen Punkt: Sättigung – mehr bringt nur Mehrkosten.

Werten wir solche Systeme mit einem klassischen Screening aus (lineare Effekte plus Wechselwirkungen), wird es schnell eng – für die Signifikanz und für die richtige Interpretation.

Prozesskette: Zugabe Polymer (100 Teile konstant), Zugabe Katalysator, Zugabe Kettenverlängerer, Viskositätsanstieg in der Verarbeitung
Abbildung 1: Der Prozess – vom Batching zur Verarbeitung

Das Fallbeispiel: Katalysator, Kettenverlängerer, Polymer

In einem bewusst einfachen Demonstrationsbeispiel wurde ein Design mit zwei Faktoren aufgesetzt, auf einer konstanten Polymerbasis:

  • Polymerbasis: 100 Teile (konstant)
  • Kettenverlängerer (KV): wirkt linear (Erfahrung des Kunden)
  • Katalysator (Kat): wirkt nichtlinear, wurde laut Kunde aber im zielführenden Bereich variiert

Ziel war eine optimale Viskosität für einen mehrstufigen Prozess aus Mischen, Vernetzen und Abfüllen. Der Versuchsplan: vier Eckpunkte (2² vollfaktoriell) und drei Centerpoints zur Prüfung der Reproduzierbarkeit – ein übersichtliches, bewusst reduziertes Setup.

Screening-Design mit vier Eckpunkten und drei Centerpoints, Versuchsplan in codierten Einheiten und angenommener linearer Effekt
Abbildung 2: Screening-Design, Versuchsplan und die Annahme eines linearen Effekts

Was zeigt die erste Auswertung?

Werten wir die sieben Screening-Versuche mit einem linearen Modell inklusive Wechselwirkung aus, entsteht ein scheinbar paradoxes Bild – denn das Modell kann den Schwellencharakter der Katalysatorwirkung nicht erfassen.

Main Effect Plot des Katalysators in MODDE mit linearer Regressionsgeraden, breitem Konfidenzband und drei farbigen Bereichen: unterhalb der Wirkschwelle, Übergangsbereich, ausreichende Katalysatormenge
Abbildung 3: Main Effect Plot des Katalysators – lineares Modell (MODDE 13.1)

Der Main Effect Plot zeigt sehr anschaulich, wo das lineare Modell an seine Grenzen stößt:

  • Blauer Bereich (Kat = 2,5): Die Katalysatormenge liegt unter der Wirkschwelle. Die Reaktion bleibt aus – und damit auch der Effekt des Kettenverlängerers. Die Viskosität bleibt niedrig, egal wie der KV eingestellt ist.
  • Rosa Bereich (zwischen 2,5 und 3,75): ein methodischer Graubereich. Das Design hat hier keine Stützpunkte – nur die Stufen niedrig und hoch sowie die Centerpoints. Wo genau der Übergang von „keine Wirkung“ zu „volle Wirkung“ liegt, lässt sich so nicht bestimmen.
  • Gelber Bereich (ab Kat = 3,75): Jetzt ist genug Katalysator vorhanden, die Vernetzung läuft. Auch der Effekt des Kettenverlängerers wird sichtbar, die Viskosität steigt deutlich.

Das Modell verbindet niedrig und hoch zwangsläufig mit einer Geraden – einen solchen linearen Trend gibt es hier aber nicht.

Overview Plot in MODDE für das lineare Modell: stabile Centerpoints, hohes R² bei stark negativem Q², nur der Katalysator-Koeffizient signifikant, deutliche Abweichungen im Observed-vs.-Predicted-Plot
Abbildung 4: Overview Plot des linearen Modells (MODDE 13.1)

Was zeigt der Overview Plot?

  • Replicates: Die Centerpoints (Versuche 5–7) liegen eng beieinander, bei rund 45–47. Die Wiederholungen sind stabil, das Messsystem liefert zuverlässige Werte.
  • Summary of Fit: R² ist mit 0,84 hoch, Q² dagegen stark negativ (−4,9). Das Modell beschreibt die gemessenen Punkte, versagt aber völlig bei der Vorhersage – ein typisches Zeichen für eine fehlende Modellstruktur.
  • Coefficients: Nur der Katalysator ist signifikant. Kettenverlängerer und Wechselwirkung zeigen keine Signifikanz, weil sie ohne ausreichenden Katalysator gar nicht wirken können.
  • Observed vs. Predicted: Deutliche Abweichungen von der Diagonalen. Die Centerpoints liegen klar über der Vorhersage – das Modell unterschätzt die Viskosität, sobald die Reaktion tatsächlich läuft.

Erkenntnis

Nicht der Katalysator ist das Problem, sondern das Modell: Eine Gerade kann keine Schwelle beschreiben – und solange sie das versucht, bleibt auch der Kettenverlängerer unsichtbar.

Wie wird das Modell besser?

Gegenüberstellung der Main Effect Plots: links lineare Regression mit breitem Konfidenzband, rechts quadratisches Modell, das dem gekrümmten Verlauf folgt und ein schmales Konfidenzband zeigt
Abbildung 5: Lineares Modell (links) und Modell mit quadratischem Term (rechts)

Im linken Plot beschreibt das lineare Modell den Zusammenhang. Die Gerade überdeckt einen Effekt, der in Wirklichkeit schwellenartig verläuft, und das breite Konfidenzband zeigt, wie unsicher diese Beschreibung ist.

Die Lösung liegt in mehr Struktur im Design: Mit zusätzlichen Punkten auf den Flächenmitten, wie sie ein CCF-Design (Central Composite Face-Centered) enthält, kann das Modell einen quadratischen Term schätzen und damit die Krümmung erfassen.

Vergleich von Screening-Design und CCF-Design mit vier ergänzten Achsenpunkten und erweitertem Versuchsplan
Abbildung 6: Vom Screening-Design zum CCF-Design – vier ergänzte Versuche

Das Ergebnis im rechten Plot:

  • Die Kurve folgt dem realen Reaktionsverlauf deutlich besser.
  • Das Konfidenzband wird schmal.
  • Der Effekt des Kettenverlängerers wird sichtbar, weil das Modell jetzt abbildet, ab wann die Reaktion überhaupt stattfindet.

Wie gut ist das erweiterte Modell?

Overview Plot in MODDE nach der Design-Erweiterung: R², Q², Modellvalidität und Reproduzierbarkeit hoch, signifikante Koeffizienten für Katalysator, Kettenverlängerer und den quadratischen Katalysator-Term, Punkte nah an der Diagonalen
Abbildung 7: Overview Plot nach der Erweiterung zum CCF-Design (MODDE 13.1)

Nach der Ergänzung zeigt sich ein deutlich anderes Bild:

  • R² und Q² sind hoch – das Modell passt und sagt vorher.
  • Im Coefficient Plot werden Katalysator, Kettenverlängerer und der quadratische Katalysator-Term signifikant. Der negative quadratische Term beschreibt die Sättigung. Die Wechselwirkung Kat × KV bleibt klein.
  • Der Replicate Plot bleibt gleich – er zeigt Rohdaten, nicht die Modellqualität.

Wo liegen die Grenzen?

Auch nach der Erweiterung gilt: Ein Modell ist nie die Realität, sondern ein Abbild – so kompakt wie möglich, so informativ wie nötig. Mit mehr Versuchen ließe sich der Verlauf noch genauer beschreiben, etwa als saubere S-Kurve.

Aber mehr Wissen ist nicht automatisch besser. Bringt das zusätzliche Detail das Projekt wirklich weiter? Rechtfertigt es Aufwand, Zeit und Ressourcen? Diese Entscheidung ist nicht statistisch, sondern strategisch – und sie lässt sich nur im konkreten Projekt beantworten.

Was lernen wir daraus?

Ein nicht signifikanter Effekt ist nicht automatisch irrelevant. Er kann durch Nichtlinearität, Schwellen oder ein unpassendes Design verdeckt sein – gerade bei chemischen Systemen. Wer hier zu früh streicht, verschenkt Optimierungspotenzial.

Haben Sie selbst schon erlebt, dass ein scheinbar irrelevanter Faktor später doch entscheidend wurde?

Wissen to Go

  • Q² stark negativ trotz hohem R²: ein Warnsignal für fehlende Modellstruktur, etwa eine Krümmung.
  • Centerpoints über oder unter der Geraden: zeigen Krümmung an – sagen aber nicht, welcher Faktor sie verursacht.
  • Schwellenfaktoren brauchen Stützpunkte: Ein CCF- oder CCC-Design ergänzt die nötigen mittleren Stufen.
  • Nicht vorschnell streichen: Ein Faktor, der nur in Kombination oder ab einer Schwelle wirkt, kann entscheidend sein.

Häufige Fragen – testen Sie Ihr Wissen

Einsteiger Warum kann ein lineares Modell eine Schwelle nicht abbilden?

Mit nur zwei Stufen je Faktor verbindet das Modell niedrig und hoch mit einer Geraden. Ein Effekt, der erst ab einer Mindestmenge einsetzt, wird dadurch verzerrt.

Anwender Woran erkenne ich Krümmung im Screening?

Wenn die Centerpoints deutlich über oder unter der Vorhersage liegen und Q² trotz hohem R² stark negativ ist. Welcher Faktor die Krümmung verursacht, zeigt erst ein Design mit zusätzlichen Stufen.

Anwender Muss ich nach einem Screening von vorne anfangen?

Nein. Ein Screening lässt sich mit Achsenpunkten zu einem CCF-Design erweitern. Im Beispiel reichten vier zusätzliche Versuche.

Experte Was beschreibt der negative quadratische Term des Katalysators?

Die Sättigung: Ab einer gewissen Menge bringt mehr Katalysator kaum noch Wirkung. Die Wechselwirkung Kat × KV bleibt im erweiterten Modell klein, der Kettenverlängerer wird erst dort als Haupteffekt sichtbar.

Passt dazu

Beitrag als PDF herunterladen

Stefan Moser

Stefan Moser
Trainer und Berater für Versuchsplanung (DoE), MVDA und DFSS

Mehr aus Ihren Prozessen herausholen?

Sie wissen nicht weiter – oder wollen einfach mal gemeinsam auf Ihre Daten schauen? Dann melden Sie sich. Kollegial, unverbindlich, auf Augenhöhe.

Ob DoE-Einstieg oder knifflige Spezialthemen wie Screening, Robustheit, Mischungen oder Troubleshooting – ich begleite Sie praxisnah: mit Trainings, Beratung und methodischer Unterstützung, vom ersten Workshop bis zur Umsetzung. Auch bei MVDA, DFSS oder QFD stehe ich gern an Ihrer Seite.

Bleiben Sie experimentierfreudig! – Stefan Moser

Erfahrungen & Bewertungen zu Stefan Moser Process Optimization