<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Tengo 5 factores y después de seleccionar 2 interacciones de factores de interés, parece que necesito 16 carreras. Mis preguntas son las siguientes:
¿Cómo puedo ver rápidamente la resolución en la plataforma personalizada ..? Puedo ver la tabla de alias pero no estoy seguro de cómo interpretar la línea superior de efectos. Solo me interesan los efectos principales + 2 interacciones factoriales.
Ahora el truco. Tengo un presupuesto de 25 carreras no 16. Así que quiero saber la mejor manera de agregar carreras de la manera más eficiente. Podría agregar réplicas o réplicas con puntos de referencia de factores más amplios, así como puntos centrales de 2 a 3 puntos. Cuando probé la opción de diseño de aumento, solo obtuve 32 corridas con 2 repeticiones (es decir, no mucha ayuda ).
Si en la plataforma personalizada elijo las 25 ejecuciones definidas por el usuario en lugar de las 16 ejecuciones predeterminadas, ¿cómo determina JMP las ejecuciones restantes? Además, si selecciono D o I-óptimo de la plataforma personalizada, ¿está esto cambiando estas ejecuciones adicionales de alguna manera?
El diseño óptimo de 16 ejecuciones en D para ajustar los efectos principales son todas las interacciones de 2 factores es el diseño factorial fraccional de la Resolución V. Puede convencerse de esto agregando las interacciones de 3 factores a los Términos de Alias. Luego verás que cada interacción de dos factores se confunde con una interacción de tres factores. En este caso, solo hay una matriz ortogonal de fuerza 4 (diseño de Resolución V) y el diseñador personalizado encuentra este diseño. Sin embargo, en general, puede haber muchos diseños que son ortogonales para los efectos principales pero tienen otras propiedades estadísticas que son diferentes.
A tu pregunta sobre qué hacer con 25 carreras. Le sugiero que cree un diseño de 24 ejecuciones para los 5 efectos principales y 10 interacciones de dos factores, guardando una ejecución para la verificación de su modelo. Le pediría al Diseñador personalizado que cree 4 ejecuciones duplicadas. Estas ejecuciones se elegirán para maximizar la eficiencia D del diseño sujeto a la restricción de que hay 4 repeticiones. Esto te dará 4 grados de libertad por puro error. También tendrás 4 grados de libertad de falta de ajuste. Estos resultarán útiles si resulta que la interacción de tres factores resulta ser grande. El modelo Fit de JMP automáticamente realizará una prueba de falta de ajuste. Si esa prueba es significativa, entonces puede usar Stepwise para encontrar una interacción de orden superior que pueda ser causante.
El diseño resultante que encontré al hacer esto es 94.29% D-eficiente para el modelo con todas las interacciones de dos factores. Los VIFs son todos 1.125. Para el modelo de efectos principales, el diseño es 98% D-eficiente y el VIF máximo es 1.05.
Este diseño no es el diseño más eficiente en D posible para 24 ejecuciones y un modelo de interacción de dos factores, pero tiene otras dos capacidades que el diseño más eficiente en D no tiene. Esas son las 4 réplicas y la capacidad de realizar una prueba de falta de ajuste.
Aquí está la URL de un blog que escribí en la replicación de ejecución individual:
Nuevo en JMP 10 para diseño de experimentos.
Aquí está el script para generar el diseño que describí.
GAMA ( Diseño personalizado , {Agregar respuesta (Maximizar, "y",.,.,.),
Agregar factor (Continuo, -1,1, "X1", 0),
Agregar factor (Continuo, -1,1, "X2", 0),
Agregar factor (Continuo, -1,1, "X3", 0),
Agregar factor (Continuo, -1,1, "X4", 0),
Agregar factor (Continuo, -1,1, "X5", 0), Establecer semilla aleatoria (5735943),
Número de inicios (10000), Añadir término ({1,0}), Agregar término ({1,1}),
Añadir término ({2,1}), agregar término ({3,1}), agregar término ({4,1}), agregar término ({5,1}),
Añadir término ({1,1}, {2,1}), agregar término ({1,1}, {3,1}),
Añadir término ({1,1}, {4,1}), agregar término ({1,1}, {5,1}),
Añadir término ({2,1}, {3,1}), agregar término ({2,1}, {4,1}),
Añadir término ({2,1}, {5,1}), agregar término ({3,1}, {4,1}),
Añadir término ({3,1}, {5,1}), Añadir término ({4,1}, {5,1}), Replicar (4),
Establecer tamaño de muestra (24)}
);
Gracias por los aportes. De hecho, tengo 5 factores continuos y planeo hacer un experimento de detección (25 ejecuciones) y luego 1 RSM (los 2 factores más importantes, 5 niveles).
Si utilizo la plataforma de diseño de cribado, puedo elegir el diseño V de resolución factorial fraccional con 16 ejecuciones. Si uso la plataforma de diseño personalizado y selecciono todas las interacciones de segundo orden, se sugieren 32 ejecuciones como predeterminadas y 16 ejecuciones como mínimo. Las 16 ejecuciones mínimas desde la plataforma de diseño personalizado también parecen no tener ninguna asociación (estoy interpretando la matriz de alias = resolución V pero no es explícita). Como el diseño personalizado se establece por defecto en D óptimo (100% D eficiente), debería esperar el mismo diseño dado por la plataforma de diseño de cribado (es decir, el diseño de 16 corridas mínimas en el diseño personalizado igual a la resolución de 16 corridas V diseño en la plataforma de diseño de proyección). ?
Suponiendo que esto sea cierto, si uso la plataforma de diseño personalizado y selecciono 25 ejecuciones definidas por el usuario, en lugar de 16 (mínimo) obtendré un 94.5% de eficiencia D Como el objetivo principal es la detección, ¿es este el diseño óptimo más probable? Para mí, la alternativa es seguir con 16 ejecuciones (que creo que ya es la resolución V) y agregar otras ejecuciones ad hoc. En el pasado (cuando tenía menos factores) normalmente repetía las esquinas y los puntos centrales (para confirmar la solidez, y me preocupa que si las respuestas son pequeñas en comparación con el ruido, podría ser difícil estimar la sensibilidad de los factores). Eso podría equivaler a> 5 repeticiones para estimar el error (suponiendo que el error sea el mismo para cada ejecución). Pero con 5 factores, todavía me resulta difícil elegir las réplicas de una manera óptima. Supongo que la pregunta es si D óptimo es lo que realmente quiero o si es óptimo en una sola dimensión.
Hola,
Le hice su pregunta a Bradley Jones, quien desarrolló la plataforma de diseño personalizado, y esta es su respuesta:
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
