Cuando uno o más factores en un experimento son continuos, a muchos investigadores les gusta agregar varias ejecuciones en el centro de la región de diseño. Esta práctica logra dos cosas:
1) Permite una prueba de curvatura global.
2) Proporciona ejecuciones replicadas, lo que significa que JMP Se puede calcular una estimación imparcial de la varianza del error. La plataforma Fit Model también realizará una prueba automática de falta de ajuste.
Puede agregar ejecuciones centrales en JMP 9 después de la creación del diseño. ¿Cómo ayuda la especificación previa?
El centro de adición se ejecuta como parte de la especificación del diseño experimental permite que el diseñador personalizado agregue estas ejecuciones de manera óptima. Esto no importa si todos los factores son continuos. Sin embargo, si un factor es categórico, la asignación óptima del centro se ejecuta en los factores continuos puede mejorar el diseño.
¿No es mejor simplemente agregar una carrera central para cada nivel del factor categórico?
¡Sorprendentemente, esto no siempre resulta ser cierto!
Imagine una configuración en la que tenga tres proveedores y cinco factores continuos que desee investigar con un modelo de efectos principales mediante 12 ejecuciones. Decides que quieres que tres de las carreras sean centrales. Resulta ser más eficiente estadísticamente no tener un centro de carrera para cada proveedor.
La Tabla 1 muestra la configuración del factor para la asignación óptima de las corridas del centro a los proveedores.
Tenga en cuenta que hay cuatro ejecuciones para cada uno de los tres proveedores y que el Proveedor C tiene dos carreras centrales mientras que el Proveedor B no tiene ninguna.
Podemos comparar este diseño con el diseño óptimo de nueve carreras para los tres proveedores con una carrera central agregada para cada proveedor. Puedes ver este diseño en la tabla 2.
Me siento más cómodo con la asignación par. ¿Qué estoy perdiendo?
Primero, la varianza máxima de la predicción para el diseño es más del 50% mayor para el diseño con una asignación uniforme. Además, la varianza promedio de la predicción es más del 10% mayor.
La Figura 1 muestra que los coeficientes estimados también tienen variaciones más grandes para el diseño que asigna las ejecuciones del centro de manera uniforme. Para cada parámetro, el factor de inflación de la varianza (VIF) es mayor para el diseño con una asignación uniforme de corridas centrales.
La Figura 2 muestra diagramas en paralelo que comparan las correlaciones de columna para los dos diseños. El diseño para la asignación uniforme de corridas centrales tiene correlaciones de columna más complicadas y generalmente más altas.
Este ejemplo es interesante, pero ¿es este tipo de resultado común?
Creo que incluso la asignación de carreras centrales a bloques y niveles de factores categóricos a menudo resultará óptima. Si toma el mismo escenario con 21 ejecuciones en lugar de 12, el diseño óptimo asigna una ejecución central por proveedor.
La última palabra…
Francamente, no soy un gran fanático de agregar corridas centrales a los diseños, especialmente a los diseños de pantallas. Preferiría poder identificar la fuente de cualquier curvatura en la respuesta como lo hacen los diseños de detección definitivos. Para la replicación, prefiero replicar puntos que ayudan a estimar los efectos de interés. Las corridas centrales no ayudan a estimar ningún otro parámetro que no sea el intercepto.
