Al igual que en muchas áreas de JMP, hay demasiadas características nuevas que admiten la planificación de experimentos para cubrir en una sola publicación de blog. Por lo tanto, voy a presentar a los pocos primeros. Cuando JMP 11 comienza el envío en septiembre, planeo publicar más características nuevas y con más detalles.
¿Cuál es la mejor herramienta nueva para el diseño de experimentos?
La nueva característica más sorprendente para mí es la nueva herramienta de diseño que llena el espacio que admite colocar puntos de diseño en regiones no rectangulares. Los diseños que llenan el espacio son muy populares en experimentación Con modelos computacionales deterministas complejos. Dichos modelos dan la misma respuesta si proporciona las mismas entradas, por lo que controlar la variabilidad no es un problema. El objetivo de la experimentación con modelos informáticos que pueden tardar horas o incluso días en producir una sola observación es encontrar una aproximación fiel al modelo informático que sea mucho más rápida. Luego puede usar esta aproximación para hacer predicciones en puntos no probados. O bien, puede desarrollar la intuición sobre las relaciones entre las entradas y salidas del modelo de computadora haciendo gráficos utilizando el modelo de aproximación simplificada. Construir tales gráficos usando el código de computadora en sí tomaría demasiado tiempo debido a la gran cantidad de puntos requeridos para hacer tal gráfico. Llamamos a los nuevos diseños. Llenado flexible rápido Los diseños porque son rápidos de generar, proporcionan una gran flexibilidad para describir la región de experimentación y hacen un buen trabajo para llenar el espacio.
¿Nos puedes mostrar lo que quieres decir?
Aquí hay un ejemplo ilustrativo. Supongamos que estuvieras estudiando la calidad del aire en, por ejemplo, Carolina del Norte. Probablemente estaría interesado en cubrir todo el estado de manera uniforme. Por supuesto, tiene un presupuesto limitado de monitores de calidad del aire, por ejemplo 100. La pregunta del diseño es dónde ubicar los monitores. La figura 1 muestra el diseño de llenado flexible rápido de 100 puntos (FFF o triple F o F en cubos) para este problema.
Puede ver por sí mismo que los puntos hacen un buen trabajo al cubrir el estado de manera uniforme.
¿Qué otras nuevas capacidades de diseño son notables?
Una segunda característica que me gusta particularmente fue implementada por un nuevo miembro del Equipo de Desarrollo de JMP, Ryan Lekivetz. Ryan tiene un Ph.D. de la Universidad Simon Frasier, y su tema de disertación fue en el diseño de experimentos. Además, él es un genio de la programación en C ++, lo que lo hace perfecto para ayudarme a construir nuevas herramientas para el diseño de experimentos. Él es de Canadá, pero no vamos a tener eso en contra de él, ¿eh?
De todos modos, Ryan ha agregado una nueva y poderosa capacidad a la herramienta de diseño de cribado en JMP. Anteriormente, los diseños de detección se limitaban a factores que tenían solo dos niveles (OK, había algunos diseños para un número limitado de factores con tres niveles). La nueva capacidad crea diseños ortogonales o casi ortogonales para casos donde los factores pueden tener más de tres niveles. Imagínese si tuviera cuatro máquinas y seis operadores y cada máquina tuviera 11 mandos para los controles. ¿Cómo diseñarías un experimento de detección para este problema?
La Figura 2 muestra el diseño encontrado utilizando el nuevo algoritmo de Ryan para encontrar matrices ortogonales o casi ortogonales. Como puede ver en el Mapa de color en las correlaciones, este diseño es ortogonal para los efectos principales.
¿Algo más?
La última gran característica que es nueva en JMP 11 es Diseños de cribado definitivos (DSD). He escrito un entrada en el blog y un artículo de revista sobre estos diseños antes, pero hasta ahora, los investigadores que querían usar estos diseños necesitaban instalar un complemento. En JMP 11, la herramienta DSD está disponible como el segundo elemento en el menú DOE.
Hasta ahora, las aplicaciones de DSD en el mundo real han tenido un éxito extraordinario. Gracias a mi colega Lou Valente , Tuve la suerte de participar en una de esas aplicaciones que ganó el Premio de estadística de la Asociación Americana de Estadística .
Los DSD tienen bastantes propiedades muy deseables. Son baratos, requieren solo aproximadamente el doble de carreras que hay factores. Son diseños ortogonales, por lo que puede estimar los efectos principales con una eficiencia estadística muy alta. Son diseños de tres niveles, por lo que también puede detectar la curvatura en la relación entre cualquier factor y la respuesta de interés. Los efectos principales también son independientes de cualquier interacción de dos factores y ninguna de las interacciones de dos factores se confunde con ninguna otra interacción de dos factores. De hecho, si solo hay tres factores importantes, puede ajustar un modelo cuadrático completo para esos tres factores, sin importar qué factores resulten ser. Entonces, en cierto sentido, estos diseños de cribado también son experimentos de superficie de respuesta codiciosos.
La Figura 3 muestra un Mapa de color en correlaciones para un DSD de ocho factores.
¿Algún pensamiento final?
Reitero que estas son solo las tres características principales. Me gustaría mencionar que muchos diseñadores, además del diseñador personalizado, ahora pueden utilizar scripts con JSL. También hay cálculos de potencia renovados en el Diseñador personalizado que serán el tema de al menos una publicación futura.
Nota: Este post es parte de una serie de vistas previas de JMP 11 por miembros y expertos técnicos de JMP R&D. El blog de JMP contará con una nueva vista previa todos los martes hasta que JMP 11 se lance en septiembre. Echa un vistazo a todos los JMP 11 vistas previas .
Charlie Shipp escribió:
Gracias; ¡esto es genial! Sigan con el buen trabajo.
