Hallo, ich bin neugierig auf Ihre Gedanken darüber, wie Sie ein Modell für ein benutzerdefiniertes DOE auswählen (z. B. zwei kontinuierliche Faktoren). Ich weiß, wenn mein Ziel die Optimierung ist, wähle ich ein RS-Modell und JMP fügt Läufe näher an der Mitte des Designraums hinzu, aber wenn ich die Designpunkte untersuche, habe ich immer das Gefühl, dass es viele große Lücken zwischen den ausgewählten Faktorstufen gibt von JMP (ich überprüfe mit Scatterplot). Das beunruhigt mich, dass ich den optimalen Punkt für die Optimierung verpassen könnte. Wenn ich die Anzahl der Läufe erhöhe, erhalte ich am Ende mehr Wiederholungen, ohne diese Lücken zu schließen. Ich habe festgestellt, dass ich versuchen muss, Modelle höherer Ordnung (Potenzen: 4. oder 5.) zu verwenden, um diese Räume zu füllen.
Ich bin ein bisschen neu bei DOE, also versuche ich herauszufinden, ob dies der richtige Weg ist, darüber nachzudenken oder einfach darauf zu vertrauen, dass ich den Sweet Spot mit einem RSM nicht verfehlen werde, wenn ich sicherstelle, dass bestimmte Metriken (Varianz , Leistung) in der Designbewertung gut aussehen. Vielen Dank!
Das erwarte ich von jedem Experiment nicht den "Sweet Spot" als Lauf einbeziehen. Trotzdem ich immer noch stets Verwenden Sie jedes Mal ein Experiment, wenn ich anhand empirischer Beweise lernen muss, wie etwas funktioniert.
Sie sind auf einen allgemeinen Punkt der Verwirrung für jeden gestoßen, der seinen Abschluss macht testen zu experimentieren , also kein schlechtes Gewissen. Der Zweck eines Experiments ist es, Erhalten Sie die besten Daten, um das Modell anzupassen, das die Reaktion auf Faktoränderungen angemessen beschreibt . Es ist keine Prüfung. Dieses Konzept ist ein wichtiger Schritt, um ein Meister, ein Gieriger Experimentator zu werden.
Die Designprinzipien wirken in jeder Designmethode zusammen. Wir verwenden kundenspezifisches Design.
- Sie wählen eine aussagekräftige Antwort oder bei Bedarf mehrere aus.
- Sie berücksichtigen alle Faktoren, die die Reaktion beeinflussen, und wählen eine Reihe von ihnen für die Untersuchung aus. Der Rest wird während des gesamten Experiments konstant gehalten.
- Sie verwenden so weit wie möglich stetige Faktoren. Sie verwenden den größten Bereich für jeden Faktor, um einen großen Effekt sicherzustellen, der die größte Aussagekraft und die effizienteste Schätzung hat.
- Sie wählen Terme für das lineare Regressionsmodell aus, um alle Effekte dieser Faktoren darzustellen, einschließlich Haupteffekte, Interaktionseffekte und nichtlineare Effekte ausreichender Ordnung. Es ist üblich, dass Effekte zweiter Ordnung über den Faktorbereich ausreichend sind, aber Terme höherer Ordnung zulässig sind.
- Sie wählen das Optimalitätskriterium aus: D-optimal, um die Parameterschätzung und -prüfung zu betonen, oder I-optimal, um die Vorhersage zu betonen. (Für Sonderfälle gelten andere Kriterien.)
- Sie entscheiden über das Budget der Durchläufe für dieses Experiment und erstellen das Design.
- JMP bestimmt die Faktorstufen am informativsten in Bezug auf das Modell. Das heißt, sie liefern gemeinsam die besten Daten, um die Schätzung der Modellparameter zu unterstützen.
(Beachten Sie, dass ich bei der Gestaltung eines Experiments zur Veranschaulichung des allgemeinen Denkprozesses absichtlich viele Überlegungen außer Acht gelassen habe.)
Diese letzte Aufgabe ist nicht mehr Ihre Aufgabe. Es wird nicht mehr erwartet, dass einzelne Läufe die Antwort, den Sweet Spot, liefern, wie dies bei einem einfachen Test der Fall wäre. Dieser Ansatz ist modellgetrieben, er ist modellzentriert. Wenn Sie beispielsweise wissen, dass es keine nichtlinearen Effekte dieser Faktoren gibt, liefern andere Faktorstufen als die Endpunkte weniger Informationen über den Effekt (Steigungsparameter). Ein gieriger Experimentator würde niemals einen Lauf mit Bedingungen verschwenden, die weniger als die maximal verfügbaren Informationen liefern.
Der Sweet Spot wird mit einem Experiment durch eine Vorhersage des Modells bestimmt. Es ist nicht das Ergebnis einer Prüfung einer bestimmten Bedingung. (Die Vorhersage muss natürlich empirisch bestätigt werden.)
Die Auswahl des Modells für das Design erfolgt durch einen von mehreren Ansätzen und den damit verbundenen Überzeugungen:
- Beginnen Sie mit dem größtmöglichen Modell, das Terme enthält, um alle potenziellen Auswirkungen darzustellen. Beispielsweise enthält das standardmäßige RSM-Modell in JMP Terme für alle Haupteffekte, Zwei-Faktor-Wechselwirkungseffekte und nichtlineare Effekte zweiter Ordnung. Diese Wahl ist die teuerste in Bezug auf die Anzahl der Läufe. Es wird jedoch wahrscheinlich kein weiteres Experimentieren (Erweiterung des ursprünglichen Designs für die Wirtschaftlichkeit) erfordern.
- Beginnen Sie mit dem kleinstmöglichen Modell, das Terme enthält, um nur die Haupteffekte darzustellen. Das Standardmodell in JMP stellt diesen minimalen Begriffssatz bereit. Dieses Design erzeugt verzerrte Schätzungen, wenn Effekte höherer Ordnung vorhanden sind und ihre Schätzungen mit den Schätzungen der Haupteffekte korrelieren. Diese Rätsel können mit zusätzlichen Läufen für ein neues Modell mit zusätzlichen Laufzeiten gelöst werden Designerweiterung .
- Beginnen Sie mit dem Modell, das Ihrer Meinung nach am ehesten angemessen ist. Sie verwenden kein Standardmodell. Sie wählen die Haupteffekte, Interaktionseffekte und nichtlinearen Effekte für jeden Fall aus. Kundenspezifisches Design bietet eine weitere Auswahl für jeden Begriff: wenn möglich kalkulierbar. Diese Option bedeutet, dass Sie einen Term in Ihr Modell aufnehmen können, auch wenn Sie nicht sicher sind, dass er nicht null ist, bevor Sie das Experiment ausführen. Das Design ist nicht optimal für ein Modell, sondern optimal für die Menge aller möglichen Modelle unter Berücksichtigung der potenziellen Terme.
Beachten Sie, dass ich nie darauf zurückgegriffen habe, die Faktorstufen zu berücksichtigen, die den optimalen Punkt erreichen. Ich muss nicht. Ich sollte nicht. Diese Aufgabe ist nicht die Aufgabe des Designs. Diese Aufgabe ist die Rolle des Modells, also holen wir uns das bestmögliche Modell. Dieses Ergebnis erfordert das beste Design der Daten zum Schätzen unseres Modells.
Ich hoffe, dass diese kurze Erklärung hilft. Es reicht nicht als vollständige Lektionen in einer Ausbildung über DOE aus, aber hoffentlich verdeutlicht es, woher der Sweet Spot in DOE kommt und wie die Faktorstufen ausgewählt werden sollten (durch das Design, nicht durch Sie).
Siehe JMP Hilfe > Bücher > Versuchsplanung Weitere Informationen zur Verwendung von benutzerdefiniertem Design mit JMP.
Sehen " Optimales Design von Experimenten: Ein Fallstudienansatz " von Peter Goos und Bradley Jones für einen modernen Ansatz zum Experimentieren, wenn Sie lieber alleine lernen.
Sehen JMP Software: Benutzerdefiniertes Design von Experimenten wenn Sie Präsenzunterricht mit einem Experten bevorzugen.
