<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ich habe 5 Faktoren und nach der Auswahl von 2-Faktor-Interaktionen scheint es, dass ich 16 Läufe brauche. Meine Fragen lauten wie folgt:
Wie kann ich die Auflösung in der benutzerdefinierten Plattform schnell sehen? Ich kann die Alias-Tabelle sehen, weiß aber nicht, wie sie die obere Zeile der Effekte interpretieren soll. Ich interessiere mich nur für Haupteffekte + 2-Faktor-Wechselwirkungen.
Nun das knifflige Stückchen. Ich habe ein Budget von 25 Läufen, nicht 16. Daher möchte ich wissen, wie Sie Läufe am effizientesten hinzufügen. Ich könnte Replikate oder Replikate mit breiteren Faktorsollwerten sowie 2 bis 3 Centrepoints hinzufügen. Als ich die Erweiterungsdesign-Option ausprobierte, erhielt ich nur 32 Läufe mit 2 Replikaten (dh nicht viel Hilfe) ).
Wenn in der benutzerdefinierten Plattform ich benutzerdefinierte 25 Läufe anstelle der standardmäßigen 16 Läufe auswähle, wie bestimmt JMP die verbleibenden Läufe.? Auch wenn ich D oder I-optimal aus der benutzerdefinierten Plattform auswähle, werden diese zusätzlichen Läufe in gewisser Weise geändert.?
Das D-optimale Design mit 16 Durchläufen für die Anpassung der Haupteffekte besteht bei allen 2-Faktor-Wechselwirkungen aus dem Bruchfaktor-Design der Auflösung V. Sie können sich davon überzeugen, indem Sie die 3-Faktor-Interaktionen zu den Alias-Bedingungen hinzufügen. Dann werden Sie sehen, dass jede Zwei-Faktor-Interaktion mit einer Drei-Faktor-Interaktion verwechselt wird. In diesem Fall gibt es nur ein orthogonales Feld der Stärke 4 (Auflösung V-Design), und der benutzerdefinierte Designer findet dieses Design. Im Allgemeinen kann es jedoch viele Designs geben, die orthogonal für die Haupteffekte sind, aber andere statistische Eigenschaften haben, die sich unterscheiden.
Auf deine Frage, was du mit 25 Läufen machen sollst. Ich würde vorschlagen, dass Sie ein Design mit 24 Durchläufen für die 5 Haupteffekte und 10 Zwei-Faktor-Wechselwirkungen erstellen, um einen Durchlauf für die Überprüfung Ihres Modells zu sparen. Ich würde den Custom Designer bitten, 4 Replikatläufe zu erstellen. Diese Läufe werden ausgewählt, um die D-Effizienz des Entwurfs zu maximieren, vorbehaltlich der Einschränkung, dass es vier Replikate gibt. Dies gibt Ihnen 4 Freiheitsgrade für einen reinen Fehler. Sie haben auch 4 unpassende Freiheitsgrade. Diese werden sich als nützlich erweisen, wenn sich herausstellt, dass die Interaktion mit drei Faktoren groß ist. Das Fit Model von JMP führt automatisch einen Mangel an Passungstest durch. Wenn dieser Test von Bedeutung ist, können Sie Stepwise verwenden, um eine Interaktion höherer Ordnung zu finden, die ursächlich sein kann.
Das Ergebnis, das ich dabei gefunden habe, ist 94,29% D-effizient für das Modell mit allen Zwei-Faktor-Wechselwirkungen. Die VIFs sind alle 1.125. Für das Haupteffektmodell ist das Design 98% D-effizient und die maximale VIF beträgt 1,05.
Dieses Design ist für 24 Durchgänge und ein Zwei-Faktoren-Interaktionsmodell nicht das bestmögliche D-Effiziente Design, aber es verfügt über zwei weitere Funktionen, die das D-Effizienteste Design nicht bietet. Dies sind die 4 Wiederholungen und die Fähigkeit, einen Mangel an Pass-Test durchzuführen.
Hier ist die URL für ein Blog, das ich zur Replikation einzelner Laufwerke geschrieben habe:
Neu in JMP 10 für das Experimentdesign
Hier ist das Skript zum Generieren des beschriebenen Designs.
DAMHIRSCHKUH ( Maßgefertigtes Design , {Antwort hinzufügen (Maximieren, "y",.,.,.),
Addierfaktor (kontinuierlich, -1,1, "X1", 0),
Addierfaktor (kontinuierlich, -1,1, "X2", 0),
Addierfaktor (kontinuierlich, -1,1, "X3", 0),
Addierfaktor (kontinuierlich, -1,1, "X4", 0),
Addierfaktor (kontinuierlich, -1,1, "X5", 0), zufälliges Saatgut setzen (5735943),
Anzahl der Starts (10000), Begriff hinzufügen ({1,0}), Begriff hinzufügen ({1,1}),
Begriff hinzufügen ({2,1}), Begriff hinzufügen ({3,1}), Begriff hinzufügen ({4,1}), Begriff hinzufügen ({5,1}),
Begriff hinzufügen ({1,1}, {2,1}), Begriff hinzufügen ({1,1}, {3,1}),
Begriff hinzufügen ({1,1}, {4,1}), Begriff hinzufügen ({1,1}, {5,1}),
Begriff hinzufügen ({2,1}, {3,1}), Begriff hinzufügen ({2,1}, {4,1}),
Begriff hinzufügen ({2,1}, {5,1}), Begriff hinzufügen ({3,1}, {4,1}),
Begriff hinzufügen ({3,1}, {5,1}), Begriff hinzufügen ({4,1}, {5,1}), Replikate (4),
Probengröße einstellen (24)}
);
Danke für die Eingaben. Ich habe tatsächlich 5 kontinuierliche Faktoren und habe vor, 1 Screening-Experiment (25 Läufe) und dann wahrscheinlich 1 RSM (die 2 größten Faktoren 5 Stufen) durchzuführen.
Wenn ich die Screening-Design-Plattform verwende, kann ich mit 16 Durchläufen eine fraktionelle faktorielle Auflösung V-Design wählen. Wenn ich die Plattform für benutzerdefiniertes Design verwende und alle Interaktionen 2. Ordnung auswähle, werden 32 Läufe als Standard und 16 Läufe als Minimum vorgeschlagen. Die 16 Mindestläufe der benutzerdefinierten Design-Plattform scheinen ebenfalls keine Aliasing-Werte zu haben (ich interpretiere die Alias-Matrix = Auflösung V, ist aber nicht explizit). Wenn das benutzerdefinierte Design standardmäßig auf D-Optimal (100% D-Effizienz) eingestellt ist, sollte ich dasselbe Design erwarten, das von der Screening-Design-Plattform vorgegeben wird (dh das Minimum von 16 Runs im Custom-Design entspricht dem V-Design mit 16 Run-Auflösung im Screening-Design-Plattform). ?
Angenommen, dies ist wahr, wenn ich die Plattform für benutzerdefiniertes Design verwende und "benutzerdefiniert" 25 statt 16 (mindestens) Läufe auswähle, erhalte ich einen D-Wirkungsgrad von 94,5%. Ist das Hauptziel das Screening, ist dies das wahrscheinlichste Design? Die Alternative ist für mich, mit 16 Läufen zu bleiben (was meiner Meinung nach bereits Auflösung V ist) und andere Läufe ad hoc hinzuzufügen. In der Vergangenheit (als ich weniger Faktoren hatte) habe ich typischerweise die Ecken und Mittelpunkte nachgebildet (um die Robustheit zu bestätigen, und ich mache mir Sorgen, dass, wenn die Antworten im Vergleich zum Rauschen klein sind, es schwierig sein kann, die Empfindlichkeit der Faktoren abzuschätzen). Dies könnte mit ~ 5 Replikaten gleichgesetzt werden, um den Fehler zu schätzen (vorausgesetzt, der Fehler ist bei jedem Durchlauf derselbe). Mit fünf Faktoren fällt es mir jedoch immer noch schwer, Replikate optimal auszuwählen. Ich denke, die Frage ist, ob D optimal ist, was ich wirklich will, oder ob es nur in einer Dimension optimal ist.
Hallo,
Ich habe Ihre Frage an Bradley Jones gestellt, der die Custom Design-Plattform entwickelt hat, und dies ist seine Antwort:
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
