D DISEÑOS ÓPTIMOSHola,
Soy usuario de JMP y tengo una duda sobre
cómo JMP descubre la importancia del
efectos en DOE después de realizar un D OPTIMAL
diseño.
Si por ejemplo tengo un diseño de 16 corridas y resulta
que solo puedo realizar 13, entonces puedo usar D-OPTIMAL
para saber cuáles omitir.
El problema es que no sé si la única manera de
evaluar la importancia de los efectos está utilizando
un valor p a través del mínimo cuadrado ordinario
regresión.
Si es así lo veo muy simplista,
ya que existen alternativas bayesianas
para hacer eso, más podemos estimar
los valores faltantes.
Realmente agradeceré sus comentarios sobre este tema.
Gracias.
Re: D DISEÑOS ÓPTIMOSHola Dan,
Muchas gracias por la respuesta. Tu insististe en tener
GRAN precaución a la hora de imputar la desaparición
valores.
Lo he probado con JMP pero no da el
opción razonable para imputar estos faltantes
valores estimándolos utilizando los contrastes que se pueden
considerado nulo, como por ejemplo, factor 3 y 4
interacciones.
¿Qué opinas de esa forma de imputar valores faltantes? Porque
Jorge J.P. Box insistió en que ésta es una buena manera de
ingrese los valores faltantes hasta 2, máximo 3.
Estos valores están "inventados" pero usando una forma diferente y
tal vez la técnica apropiada tenga menos influencia
en el modelo.
Agradeceré tu opinión al respecto.
Gracias de nuevo,
rafel
Re: D DISEÑOS ÓPTIMOSCreo que no estás entendiendo bien cómo funcionan los diseños D-óptimos. Los diseños D-Optimal solo se pueden crear para el modelo que usted ha especificado y no deben "elegir ejecuciones para omitir".
Por ejemplo, supongamos que tengo 4 factores y deseo ajustar un modelo con todos los efectos principales y todas las interacciones bidireccionales. Eso me dará 11 términos en mi modelo (incluida la intersección). Un diseño D-óptimo requerirá al menos 11 ejecuciones (que es el número mínimo de ejecuciones que ofrece JMP en el proceso de creación del diseño). Este es un requisito porque la D en D-óptimo se refiere a un determinante de una matriz que debe invertirse.
Ahora, si tomo la misma situación pero enumero todas mis interacciones bidireccionales como "Si es posible" en lugar de "Necesario", verá que el número mínimo de ejecuciones se reduce a 5 (solo intercepción y efectos principales). Al hacer esto, en realidad le está diciendo a JMP que cree un diseño bayesiano D-Optimal. En tal situación no se puede ajustar el modelo con efectos principales y todas las interacciones bidireccionales. Deberá utilizar algo como la regresión por pasos hacia adelante (o algunas otras técnicas que ofrece JMP) para determinar cuáles de las interacciones bidireccionales se consideran "activas".
Ahora tal vez su pregunta sea más sobre un diseño D-óptimo de 16 ejecuciones que permite la estimación de todos los efectos principales y todas las interacciones bidireccionales, pero por alguna razón no se completan 3 ejecuciones. Para esta situación tiene 13 ejecuciones, que es más de las 11 ejecuciones requeridas. Por lo tanto, la regresión de mínimos cuadrados ordinaria funcionará y proporcionará pruebas para todos los parámetros. Desafortunadamente, el diseño no es óptimo para 13 tiradas, sino para 16. Por lo tanto, es probable que tenga una mayor multicolinealidad de las estimaciones de los parámetros y una mayor varianza de las estimaciones de los parámetros. Esta no es una limitación de JMP, es una limitación de la regresión de mínimos cuadrados y de no completar el diseño como se estableció originalmente.
JMP ofrece alternativas en tales situaciones. Puede imputar valores faltantes. Puede probar técnicas de modelado alternativas que manejan la multicolinealidad y los valores perdidos de manera diferente (PLS, redes neuronales, modelos de partición, etc.). Si va a JMP Pro, tendrá aún MÁS opciones para adaptar modelos que manejen estas situaciones de manera diferente.
Sin embargo, hay una ENORME precaución, especialmente cuando se trata de imputar valores faltantes. Si se trata de un experimento diseñado, cada prueba se elige para que tenga una gran influencia en los resultados. Después de todo, está intentando obtener la máxima información para una cantidad mínima de puntos de datos. NO recomendaría imputar valores para un experimento diseñado porque no hay muchos datos para determinar una estructura apropiada para imputar los valores con precisión y ese resultado "inventado" tendrá mucha influencia en el modelo.
