Factorial completo + Puntos centralesEstimada comunidad JMP,
Estoy probando el factorial completo con puntos centrales. A continuación se muestran las entradas:
- Factores = 3 , Niveles = 2 (Datos continuos).
- Respuesta = 1 (Datos continuos).
- Puntos centrales = 6
- Repeticiones = 4
- Respuesta simulada utilizando la función de densidad normal con Sigma=1.
Tengo dos preguntas:
1. ¿Este diseño puede detectar el efecto de curvatura?
2. En caso afirmativo, ¿puede decirnos qué factor cuadrático es responsable y estimar su coeficiente?
La razón por la que pregunté es porque parece que la respuesta es "no" a esas dos preguntas. Consulte los resultados a continuación.
En este caso, ¿cuál es el propósito de tener la opción de agregar un punto central en Full Factorial, además de estimar mejor el error experimental?
Gracias por la anotación.
Hermano,
Looi
Re: Factorial completo + Puntos centralesAgradezco las dos entradas. Esta es la primera vez que publico una pregunta y me sorprende lo rápido que llegó la respuesta. Definitivamente aumenta mi confianza para seguir usando SAS JMP.
Re: Factorial completo + Puntos centralesSu valor p de falta de ajuste es lo que usa para detectar la curvatura, pero no puede determinar la fuente si tiene> 1 factores continuos.En realidad, no puede modelar ningún efecto cuadrático con este diseño.Los diseños factoriales de 2 niveles solo le permitirán ajustar una superficie de hiperplano a los datos.Si los puntos centrales están significativamente sesgados como grupo alejándose del hiperplano, su prueba de falta de ajuste tendrá un valor p pequeño.
Como @Peter_Bartell aludido, usted tiene un enorme presupuesto de ejecución.El uso de puntos centrales en un diseño factorial (completo o fraccionado) es típico de un escenario de detección en el que tiene demasiados factores para intentar estimar directamente una superficie de respuesta, pero desea saber si hay curvatura presente. Eso es no tu situación.Podría hacer un diseño de superficie de respuesta decente para 3 factores con tan solo 20 ejecuciones.
Sugeriría seguir la recomendación de Peter de un diseño I-optimal utilizando Diseño personalizado y especificando su modelo con el botón RSM.Eso le dará todos los efectos principales, interacción de 2 factores y términos cuadráticos.Si puede acomodar valores axiales fuera de la cara, un diseño compuesto central (CCD) tiene ventajas significativas sobre el diseño personalizado I-optimal para la misma cantidad de ejecuciones.Obtendrá una potencia mucho mayor para sus efectos cuadráticos en la mayoría de los casos.Si está configurado para más de 60 ejecuciones, incluso podría replicar el CCD completo un par de veces.Si no está familiarizado con los diseños óptimos, probablemente también sea más sencillo crear un CCD.Solo asegúrese de estar seguro de que los valores axiales tienen puntos establecidos que realmente puede ejecutar.
Re: Factorial completo + Puntos centralesEl tipo de idea pasada de moda detrás de agregar réplicas de puntos centrales era doble: 1. Detectar curvatura en al menos UNO de los factores, y 2. Proporcione algunos grados de libertad adicionales para las pruebas LOF, Pure Error y sus hermanos. Por qué uno agregaría réplicas de puntos centrales a un diseño ya replicado para mí parece negar 2. arriba. La única otra razón sería detectar la curvatura. Pero supongo que preguntaría, si tiene un presupuesto para más de 60 ejecuciones, ¿por qué no ejecutar un i - diseño óptimo completo en sus factores, y si necesita algún error puro, agregue un pequeño número de réplicas en ese diseño? Entonces podría estimar la curvatura en lugar de solo detectarla. En muchas menos carreras.
