Diferentes resultados al analizar Plackett Burman utilizando Statistica y JMP Pro 12¡Oye!
Ayer comencé a usar JMP Pro 12 y actualmente estoy tratando de dominar usando la función DOE.
Anteriormente a mi trabajo, un estudiante ha diseñado una matriz de Plackett Burman utilizando 11 factores en 12 experimentos. Se obtuvieron datos experimentales para la concentración de proteínas. Estos experimentos se analizaron utilizando Statistica, lo que dio como resultado 4 factores significativos con valores de p por debajo de 0,01. Ahora estamos usando JMP Pro con la esperanza de que sería más conveniente trabajar con él. Pero una vez que ingrese los datos y uso la herramienta de análisis -> modelado -> como se explica en el esquema, termino con los mismos 4 factores que contribuyen más, pero con valores de p por encima de 0,3. ¿Alguna idea de lo que podría haber hecho mal, cómo llegaron a ser estos resultados diferentes?
Gracias 
Re: Diferentes resultados analizando Plackett Burman usando Statistica y JMP Pro 12La plataforma de selección actúa como un puente desde sus datos hasta su análisis de regresión. Su propósito es identificar rápidamente los efectos activos bajo los principios de la detección. Puede hacer clic Haz un modelo (abra el diálogo Fit Model) o Ejecutar modelo (abra Ajustar mínimos cuadrados) en la parte inferior para llevar los contrastes seleccionados actualmente como efectos en un análisis de regresión.
Me parece que si realmente solo están activos 4 de los 11 factores candidatos, entonces tiene una buena oportunidad de obtener al menos una aproximación de primer orden a la respuesta con posiblemente algunos efectos de interacción. Esta aproximación podría ser suficiente para optimizar la respuesta o para guiarlo en el aumento del experimento inicial con ejecuciones adicionales para mejorar el modelo y, por lo tanto, la optimización.
Re: Diferentes resultados analizando Plackett Burman usando Statistica y JMP Pro 12Ah lo tengo! ¡Gracias!
Re: Diferentes resultados analizando Plackett Burman usando Statistica y JMP Pro 12Para llevar la respuesta de Peter un poco más adelante, el diseño del PB es para la detección. En su caso, las 12 carreras fueron diseñadas para detectar los 11 factores. El enfoque de selección, en general, y el diseño de PB, en particular, tienen éxito cuando los principios de selección de efecto escaso , herencia y jerarquía sostener. La propiedad de proyección de un diseño de proyección a menudo le permite construir un modelo con efectos principales e interacciones de dos factores sin ejecuciones adicionales para el pequeña número de factores activos entre el gran número de factores candidatos que se examinaron. (Tenga en cuenta que los diseños de dos niveles excluyen la curvatura del modelado en la respuesta).
Por lo tanto, el diseño está limitado por el diseño, o para cambiar esa relación, el diseño adecuado sigue el modelo deseado. Si su modelo realista es más complicado (muchos factores activos con muchos efectos, lineales y no lineales), entonces el diseño también debe ser más complicado que un diseño de cribado.
Si (aproximadamente) más de la mitad de los factores candidatos en el experimento están activos o si la magnitud de los efectos no es mucho mayor que la desviación estándar de la respuesta, es posible que no detecte bien los factores activos. Simplemente no hay suficientes datos y no toda la combinación de niveles necesaria para resolverlos en ese caso.
Sin embargo, el análisis inicial podría proporcionar alguna idea. También es posible utilizar los datos de PB existentes y aumentarlos para aumentar la capacidad de modelar la respuesta sin volver a empezar.
Re: Diferentes resultados analizando Plackett Burman usando Statistica y JMP Pro 12Un diseño de Plackett-Burman de 12 carreras por 11 factores es una forma de diseño de pantalla súper saturado. Por lo general, estos tipos de diseños se utilizan para identificar factores altamente influyentes en un sistema con miras a un plan de resolución de problemas que incluya la experimentación posterior con estos factores en diseños alternativos más adecuados para los objetivos de optimización de procesos.
Re: Diferentes resultados analizando Plackett Burman usando Statistica y JMP Pro 12Lo que me gustaría saber es cuál de los 11 factores está distribuyendo de manera significativa el cambio en el rendimiento de proteínas. En los 12 experimentos se utilizaron diferentes composiciones de los factores. El rendimiento de proteína se midió para los 12 experimentos. Nos gustaría maximizar el rendimiento del producto. Si tengo 11 factores que contribuyen al rendimiento de un solo producto por experimento, ¿puedo analizar eso utilizando un análisis de regresión simple?
Lo siento, un poco confundido acerca de todo el asunto.
Re: Diferentes resultados analizando Plackett Burman usando Statistica y JMP Pro 12¡Gracias por la rápida respuesta!
¿Es este el capítulo de diseños factoriales completos? ¿Me dice que necesitaría más de los 12 experimentos que se realizaron para los 11 factores diferentes?
Re: Diferentes resultados analizando Plackett Burman usando Statistica y JMP Pro 12Ver Ayuda > Libros > Guía de Diseño de Experimentos. > Capítulo 10: La plataforma de selección de nivel de dos niveles .
Re: Diferentes resultados analizando Plackett Burman usando Statistica y JMP Pro 12El análisis de regresión en JMP debería producir los mismos resultados que Statistica.
La plataforma de detección utiliza un enfoque diferente que opera bajo los principios de detección de escasez de efectos, jerarquía y herencia. Crea contrastes basados en estos principios para que sean ortogonales. Es probable que sean iguales a las estimaciones de los parámetros en el caso de un diseño de PB. Los contrastes se agregan según los principios hasta que el modelo está saturado, por lo que no hay grados de libertad para estimar el error. Los errores pseudo-estándar de Lenth se calculan y se usan para calcular las relaciones t. Sin embargo, estas relaciones no tienen una distribución t de Student, por lo que una distribución de muestreo empírica se calcula mediante una simulación de Monte Carlo. La simulación produce valores p individuales y simultáneos para el control comparativo y experimental de los errores de tipo I.
