<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />J'ai 5 facteurs et après avoir sélectionné 2 interactions d’intérêt, il me faut 16 pistes. Mes questions sont les suivantes:
Comment puis-je voir rapidement la résolution dans la plate-forme personnalisée ..? Je peux voir la table des pseudonymes mais je ne sais pas comment interpréter la première ligne des effets. Je ne suis intéressé que par les effets principaux + 2 interactions de facteurs.
Maintenant le peu difficile. J'ai un budget de 25 courses pas 16. Je souhaite donc connaître le meilleur moyen d’ajouter des parcours de la manière la plus efficace. Je pourrais ajouter des répliques ou des répliques avec des points de consigne de facteur plus larges, ainsi que 2 à 3 points centraux. Lorsque j’ai essayé l’option de conception augmentée, j’ai eu seulement 32 essais avec 2 réplicats (c’est-à-dire pas beaucoup d’aide). ).
Si, sur la plate-forme personnalisée, je choisis 25 exécutions définies par l'utilisateur au lieu des 16 exécutions par défaut, comment JMP détermine-t-il les exécutions restantes? De plus, si je sélectionne D ou I-optimal sur la plate-forme personnalisée, est-ce que cela modifie ces exécutions supplémentaires d'une manière ou d'une autre?
La conception D-optimale en 16 étapes pour l’adaptation des effets principaux est constituée par la conception factorielle fractionnaire Résolution V. Vous pouvez vous en convaincre en ajoutant les interactions à 3 facteurs aux termes d'alias. Ensuite, vous verrez que chaque interaction à deux facteurs est confondue avec une interaction à trois facteurs. Dans ce cas, il n'y a qu'un seul tableau orthogonal de force 4 (conception Résolution V) et le concepteur personnalisé trouve cette conception. Cependant, en règle générale, de nombreux modèles peuvent être orthogonaux pour les effets principaux, mais possèdent d'autres propriétés statistiques différentes.
A votre question sur ce qu'il faut faire avec 25 courses. Je suggérerais que vous créiez un plan de 24 analyses pour les 5 effets principaux et 10 interactions à deux facteurs, en sauvegardant une analyse pour la vérification de votre modèle. Je demanderais au concepteur personnalisé de créer 4 cycles de réplication. Ces essais seront choisis de manière à maximiser l'efficacité D de la conception, sous réserve du fait qu'il y ait 4 réplicats. Cela vous donnera 4 degrés de liberté pour l'erreur pure. Vous aurez également 4 degrés de liberté mal ajustés. Celles-ci s'avéreront utiles s'il s'avère qu'une interaction à trois facteurs est importante. Le modèle d’ajustement de JMP fera automatiquement un test d’absence d’ajustement. Si ce test est significatif, vous pouvez utiliser Stepwise pour rechercher une interaction d'ordre supérieur qui peut être causative.
La conception résultante que j'ai trouvée en faisant cela est efficace à 94,29% D pour le modèle avec toutes les interactions à deux facteurs. Les VIF sont tous 1.125. Pour le modèle d'effets principaux, la conception est efficace à 98% et le VIF maximal est de 1,05.
Cette conception n’est pas la conception la plus efficace en termes de rendement D pour 24 analyses et un modèle d’interaction à deux facteurs, mais elle offre deux autres fonctionnalités que la conception la plus efficace n’a pas. Ce sont les 4 réplicats et la capacité de faire un test de manque d'ajustement.
Voici l'URL d'un blog que j'ai écrit lors de la réplication individuelle:
Nouveau dans JMP 10 pour la conception d’expérimentation
Voici le script pour générer le design que j'ai décrit.
BICHE ( Design personalisé , {Ajouter une réponse (Maximiser, "y",.,.,.),
Ajouter facteur (continu, -1,1, "X1", 0),
Ajouter facteur (continu, -1,1, "X2", 0),
Ajouter facteur (continu, -1,1, "X3", 0),
Ajouter facteur (continu, -1,1, "X4", 0),
Ajouter un facteur (continu, -1,1, "X5", 0), définir une graine aléatoire (5735943),
Nombre de démarrages (10000), ajout d'un terme ({1,0}), ajout d'un terme ({1,1}),
Ajouter un terme ({2,1}), Ajouter un terme ({3,1}), Ajouter un terme ({4,1}), Ajouter un terme ({5,1}),
Ajouter un terme ({1,1}, {2,1}), Ajouter un terme ({1,1}, {3,1}),
Ajouter un terme ({1,1}, {4,1}), Ajouter un terme ({1,1}, {5,1}),
Ajouter un terme ({2,1}, {3,1}), Ajouter un terme ({2,1}, {4,1}),
Ajouter un terme ({2,1}, {5,1}), Ajouter un terme ({3,1}, {4,1}),
Ajouter un terme ({3,1}, {5,1}), ajouter un terme ({4,1}, {5,1}), répliquer (4),
Définir la taille de l'échantillon (24)}
)
Merci pour les entrées. En fait, j'ai 5 facteurs continus et je compte faire 1 expérience de dépistage (25 analyses) et probablement 1 RSM (les 2 facteurs les plus importants sur 5 niveaux).
Si j'utilise la plateforme de conception de criblage, je peux choisir une résolution V factorielle fractionnaire avec 16 analyses. Si j'utilise la plate-forme de conception personnalisée et sélectionne toutes les interactions du second ordre, cela suggère 32 exécutions par défaut et 16 exécutions au minimum. Les 16 exécutions minimales de la plate-forme de conception personnalisée semblent également ne pas avoir d'aliaising (j'interprète l'alias matrix = resolution V mais ce n'est pas explicite). Comme la conception personnalisée est définie par défaut sur D optimal (efficacité de 100% D), devrais-je m'attendre à la même conception que celle fournie par la plate-forme de conception de contrôle dépistage de la plate-forme de conception). ?
En supposant que cela soit vrai, si j'utilise la plate-forme de conception personnalisée et que je sélectionne "défini par l'utilisateur", 25 exécutions au lieu de 16 (minimum), l'efficacité est de 94,5%. L'objectif principal étant le dépistage, s'agit-il de la conception optimale la plus probable? L’alternative est pour moi d’en rester à 16 pistes (ce qui, je pense, est déjà la résolution V) et d’ajouter d’autres pistes ad hoc. Dans le passé (lorsque j’avais moins de facteurs), j’ai généralement répliqué les angles et les centres (pour confirmer la robustesse, et je crains que si les réponses sont faibles par rapport au bruit, il pourrait être difficile d’estimer la sensibilité des facteurs). Cela pourrait équivaloir à> ~ 5 réplicats pour estimer l'erreur (en supposant que l'erreur est la même pour chaque analyse). Mais avec 5 facteurs, il m'est toujours difficile de choisir les réplicats de manière optimale. Je suppose que la question est de savoir si D optimal est ce que je veux vraiment, ou est optimal dans une seule dimension.
Salut,
J'ai posé votre question à Bradley Jones, qui a développé la plate-forme Custom Design, et voici sa réponse:
There many questions here but I cannot be quite sure of an answer unless I know whether you have categorical factors with more than two levels. I suspect you do because otherwise with 5 factors each at two-level, the Custom Designer would not have 16 runs as the default.
If you do have factors with more than two levels then the question of resolution is not relevant because resolution is a concept that only applies to designs having all factors at two-levels. So, resolution is an idea with limited applicability.
What is more generally useful is knowing how many effects you can estimate with a given number of runs and whether these effects may be biased by the presence of active effects that are not in your model.
If you have 25 runs, you may well have enough runs to estimate all the two-factor interactions even though you are only interested in two of them. This would make your design like a resolution V design even if you have categorical factors with more than two levels. I would recommend adding all the two factor interactions to your original model to see if 25 runs is sufficient to fit them all.
It is always useful to have replicate observations because that allows you to estimate the error variance without having the correct model. It also can allow you to do a test of lack of fit.
My personal preference is to add terms to my model before replicating observations because I feel comfortable estimating the error variance using the extra runs not being used to estimate the model terms. Also, you need to have at least 5 or more replicates before you can get a decent pure error estimate of the variance. I view this as a substantial investment just to estimate one parameter.
If all your factors are continuous, then 25 runs is enough to estimate the full quadratic model. That is, you can estimate all the main effects, two factor interactions and quadratic effects. With that budget, I would run an I-optimal RSM design that you can get by clicking the RSM button.
-Jeff
