<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ho 5 fattori e dopo aver selezionato 2 interazioni fattore di interesse sembra che mi occorrono 16 corse. Le mie domande sono le seguenti:
Come posso vedere rapidamente la risoluzione nella piattaforma personalizzata ..? Riesco a vedere la tabella degli alias ma non sono sicuro di come interpretare la linea superiore degli effetti. Sono solo gli effetti principali interessati + 2 interazioni fattore.
Ora il difficile. Ho un budget di 25 corse non 16. Quindi voglio sapere il modo migliore per aggiungere corse nel modo più efficiente. Potrei aggiungere repliche o repliche con set point di fattore più ampio, nonché da 2 a 3 punti centre. Quando ho provato l'opzione di potenziamento, ho ottenuto solo 32 run con 2 repliche (cioè non molto aiuto ).
Se nella piattaforma personalizzata seleziono 25 esecuzioni definite dall'utente invece delle 16 esecuzioni predefinite, in che modo JMP determina le corse rimanenti ...? Inoltre, se seleziono D o I-optimum dalla piattaforma personalizzata, modificherò in questo modo le altre esecuzioni.
Il design D-16 a 16 run per l'adattamento degli effetti principali sono tutte le interazioni a 2 fattori è il design fattoriale frazionale di Resolution V. Puoi convincere te stesso aggiungendo le 3 interazioni fattore ai Termini Alias. Quindi vedrai che ogni interazione a due fattori è confusa con un'interazione a tre fattori. In questo caso c'è solo un array di forza 4 ortogonale (risoluzione V design) e il designer personalizzato trova questo disegno. Tuttavia, in generale, ci possono essere molti disegni che sono ortogonali per gli effetti principali ma hanno altre proprietà statistiche che sono differenti.
Alla tua domanda su cosa fare con 25 esecuzioni. Ti suggerisco di creare un design a 24 corse per i 5 effetti principali e 10 interazioni a due fattori risparmiando una corsa per la verifica del tuo modello. Vorrei chiedere al Custom Designer di creare 4 repliche replicate. Queste sessioni saranno scelte per massimizzare l'efficienza D del progetto in base alla restrizione che ci siano 4 repliche. Questo ti darà 4 gradi di libertà per puro errore. Avrai anche 4 gradi di libertà non idonei. Questi si dimostreranno utili se si scopre che alcune interazioni di tre fattori sono grandi. Il modello Fit di JMP eseguirà automaticamente un test Lack of Fit. Se quel test è significativo, puoi usare Stepwise per trovare un'interazione di ordine superiore che potrebbe essere causale.
Il risultato che ho trovato in questo modo è il 94,29% di efficienza D per il modello con tutte le interazioni a due fattori. I VIF sono tutti 1.125. Per il modello degli effetti principali il design è al 98% D-efficient e il massimo VIF è 1,05.
Questo design non è il design più efficiente D per 24 serie e un modello di interazioni a due fattori, ma ha altre due funzionalità che il design D-efficient non ha. Questi sono i 4 replicati e la capacità di eseguire un test di mancanza di adattamento.
Ecco l'URL di un blog che ho scritto sulla replica delle singole operazioni:
Novità in JMP 10 per la progettazione dell'esperimento
Ecco lo script per generare il design che ho descritto.
DOE ( Design personalizzato , {Aggiungi risposta (Massimizza, "y",.,.,.),
Aggiungi fattore (Continuo, -1,1, "X1", 0),
Aggiungi fattore (Continuo, -1,1, "X2", 0),
Aggiungi fattore (Continuo, -1,1, "X3", 0),
Aggiungi fattore (Continuo, -1,1, "X4", 0),
Aggiungi fattore (Continuo, -1,1, "X5", 0), Imposta seme casuale (5735943),
Numero di avviamenti (10000), termine aggiuntivo ({1,0}), termine aggiuntivo ({1,1}),
Aggiungi Termine ({2,1}), Aggiungi Termine ({3,1}), Aggiungi Termine ({4,1}), Aggiungi Termine ({5,1}),
Aggiungi termine ({1,1}, {2,1}), Aggiungi termine ({1,1}, {3,1}),
Aggiungi Termine ({1,1}, {4,1}), Aggiungi Termine ({1,1}, {5,1}),
Aggiungi termine ({2,1}, {3,1}), Aggiungi termine ({2,1}, {4,1}),
Aggiungi termine ({2,1}, {5,1}), Aggiungi termine ({3,1}, {4,1}),
Aggiungi Termine ({3,1}, {5,1}), Aggiungi Termine ({4,1}, {5,1}), Replicati (4),
Imposta la dimensione del campione (24)}
);
Grazie per gli input. In realtà ho 5 fattori continui e ho in programma di fare 1 esperimento di screening (25 sedute) e quindi probabilmente 1 RSM (i 2 maggiori fattori 5 livelli).
Se utilizzo la piattaforma di progettazione dello screening, posso scegliere la progettazione V di una risoluzione fattoriale frazionaria con 16 esecuzioni. Se utilizzo la piattaforma di progettazione personalizzata e seleziono tutte le interazioni del 2 ° ordine, suggerisco 32 esecuzioni come predefinite e 16 esecuzioni come minimo. Anche le 16 esecuzioni minime della piattaforma di progettazione personalizzata sembrano non avere aliasing (sto interpretando l'alias matrix = risoluzione V ma non è esplicito). Dato che il design personalizzato è predefinito a D ottimale (100% D efficiente), dovrei aspettarmi lo stesso design fornito dalla piattaforma di progettazione dello screening (ovvero il 16 progetto di corsa minimo nel design personalizzato uguale al 16 progetto di risoluzione V eseguito nel piattaforma di progettazione dello screening). ?
Supponendo che questo sia vero, se utilizzo la piattaforma di progettazione personalizzata e selezioni "utente definito" 25 esecuzioni anziché 16 (minimo) ottengo l'efficienza D 94,5%. Poiché l'obiettivo principale è lo screening, è questo il progetto ottimale più probabile? L'alternativa è che io mantenga 16 run (che penso sia già la risoluzione V) e aggiungo altre run ad hoc. In passato (quando avevo meno fattori) ho tipicamente replicato gli angoli e i punti centrali (per confermare la robustezza, e temo che se le risposte sono piccole rispetto al rumore potrebbe essere difficile stimare la sensibilità dei fattori). Questo potrebbe equivalere a> 5 repliche per stimare l'errore (supponendo che l'errore sia lo stesso per ogni analisi). Ma con 5 fattori è ancora difficile per me scegliere repliche in modo ottimale. Credo che la domanda sia se D ottimale è ciò che voglio veramente, o è ottimale in una sola dimensione.
Ciao,
Ho posto la tua domanda a Bradley Jones che ha sviluppato la piattaforma Custom Design e questa è la sua risposta:
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
