Ein Interaktionseffekt liegt vor, wenn die Wirkung eines Prozessfaktors auf eine Zielgröße von der Einstellung eines anderen Faktors abhängt. In der statistischen Versuchsplanung (DOE) helfen Interaktionen zu erklären, warum die Änderung einer Temperatur, eines Drucks oder einer anderen Betriebseinstellung unter verschiedenen Prozessbedingungen zu unterschiedlichen Ergebnissen führt.
Betrachten wir ein hypothetisches Verklebungsexperiment mit zwei Temperaturen und zwei Druckstufen. Die Erhöhung der Temperatur von 150 °C auf 170 °C steigert die durchschnittliche Haftfestigkeit bei niedrigem Druck um 2 MPa und bei hohem Druck um 10 MPa. Die Differenz zwischen diesen Temperatureffekten weist auf eine Interaktion hin. Eine Empfehlung bezüglich der Temperatur muss daher die Druckeinstellung angeben, unter der die erwartete Verbesserung gilt.
In der Praxis ermöglicht ein faktorieller Versuchspol dem Team, Interaktionen zusammen mit Haupteffekten zu schätzen. Ein Interaktionsdiagramm stellt die Zielgröße über den Faktorkombinationen dar; nicht parallele Linien deuten auf eine Interaktion hin. Die statistische Analyse bewertet anschließend die Evidenz gegenüber dem Versuchsfehler. Die betriebliche Entscheidung hängt zudem davon ab, ob der geschätzte Effekt im Vergleich zu den Anforderungen, wie einer Mindesthaftfestigkeit, von Bedeutung ist.
Die Interaktionsanalyse gehört zur DOE und unterstützt Entscheidungen in der Improve-Phase im DMAIC. Versuchsdurchführungen nach dem Prinzip „Ein Faktor zur Zeit“ können Interaktionen übersehen, da sie Änderungen untersuchen, während andere Einstellungen fixiert bleiben. Nach Auswahl einer Faktorkombination testen Bestätigungsläufe, ob das vorhergesagte Ergebnis reproduzierbar ist. Pilotprüfungen können anschließend die Leistung unter gewöhnlichen Betriebsbedingungen bewerten.
