Hola, tengo curiosidad acerca de sus pensamientos sobre cómo elige un modelo para un DOE personalizado (dos factores continuos, por ejemplo). Sé que si mi objetivo es la optimización, elijo un modelo RS y JMP agregará tramos más cerca del centro del espacio de diseño, pero cuando examino los puntos de diseño, siempre tengo la sensación de que hay muchas brechas grandes entre los niveles de factores elegidos. por JMP (verifico usando diagrama de dispersión). Esto me preocupa que pueda perder el punto óptimo para la optimización. Si aumento el número de ejecuciones, termino con más repeticiones sin cerrar estas brechas. Descubrí que tendré que intentar usar modelos de orden superior (Potencias: 4 o 5) para llenar estos espacios.
Soy un poco nuevo en DOE, así que estoy tratando de averiguar si esta es la forma correcta de pensar sobre esto o simplemente confiar en que no perderé el punto óptimo con un RSM si me aseguro de ciertas métricas (varianza , potencia) en la evaluación del diseño se ven bien. ¡Gracias!
Espero que cada experimento no incluir el "punto dulce" como una carrera. Aun así, todavía siempre uso un experimento cada vez que necesito aprender cómo funciona algo a partir de evidencia empírica.
Has encontrado un punto común de confusión para cualquier persona que se gradúe de la mera pruebas a experimentando , así que no te sientas mal por ello. El propósito de un experimento es obtener los mejores datos para ajustar el modelo que describa adecuadamente la respuesta a los cambios de factor . No es una prueba. Este concepto es un gran paso para convertirse en un maestro, un experimentador codicioso.
Los principios del diseño trabajan juntos en cualquier método de diseño. Utilizaremos un diseño personalizado.
- Elige una respuesta significativa o más de una si es necesario.
- Considera todos los factores que afectan la respuesta y selecciona un conjunto de ellos para estudiar. El resto se mantendrá constante durante todo el experimento.
- Utiliza factores continuos tanto como sea posible. Utiliza el rango más amplio para cada factor para garantizar un efecto grande que tendrá la mayor potencia y la estimación más eficiente.
- Seleccione términos para el modelo de regresión lineal para representar todos los efectos de estos factores, incluidos los efectos principales, los efectos de interacción y los efectos no lineales de orden suficiente. Es común que los efectos de segundo orden sean suficientes en el rango de factores, pero se permiten términos de orden superior.
- Seleccione el criterio de optimización: D-óptimo para enfatizar la estimación y prueba de parámetros o I-óptimo para enfatizar la predicción. (Existen otros criterios para casos especiales).
- Usted decide el presupuesto de corridas para este experimento y hace el diseño.
- JMP determina los niveles de factor que son más informativo con respecto al modelo. Es decir, en conjunto proporcionan los mejores datos para respaldar la estimación de los parámetros del modelo.
(Tenga en cuenta que ignoré deliberadamente muchas consideraciones al diseñar un experimento para ilustrar el proceso de pensamiento general).
Esa última tarea ya no es tu trabajo. Ya no se espera que las ejecuciones individuales proporcionen la respuesta, el punto óptimo, como lo harían en una prueba simple. Este enfoque está impulsado por el modelo, está centrado en el modelo. Por ejemplo, si sabe que no hay efectos no lineales de estos factores, cualquier nivel de factor que no sean los puntos finales proporcionará menos información sobre el efecto (parámetro de pendiente). Un experimentador codicioso nunca desperdiciaría una serie con condiciones que proporcionaran menos información que la máxima disponible.
El punto dulce se determina con un experimento mediante una predicción del modelo. No es el resultado de una prueba de una condición particular. (La predicción debe, por supuesto, ser confirmada empíricamente.)
La selección del modelo para el diseño se logra mediante uno de varios enfoques y sus creencias asociadas:
- Comience con el modelo más grande posible que incluya términos para representar todos los efectos potenciales. Por ejemplo, el modelo RSM predeterminado en JMP incluye términos para todos los efectos principales, efectos de interacción de dos factores y efectos no lineales de segundo orden. Esta elección es la más cara en términos de número de ejecuciones. Sin embargo, es probable que no requiera más experimentación (aumento del diseño original para la economía).
- Comience con el modelo más pequeño posible que incluya términos para representar solo los efectos principales. El modelo predeterminado en JMP proporciona este conjunto mínimo de términos. Este diseño producirá estimaciones sesgadas si están presentes efectos de orden superior y sus estimaciones están correlacionadas con las estimaciones de los efectos principales. Estos enigmas se pueden resolver con ejecuciones adicionales para un nuevo modelo con términos adicionales durante aumento de diseño .
- Comience con el modelo que crea que es más adecuado. No utiliza un modelo predeterminado. Usted elige los efectos principales, los efectos de interacción y los efectos no lineales para cada caso. El diseño personalizado ofrece una opción adicional para cada término: estimable si es posible. Esta opción significa que puede incluir un término en su modelo incluso si no está seguro de que no sea nulo antes de ejecutar el experimento. El diseño no será óptimo para un modelo, sino óptimo para el conjunto de todos los modelos posibles dados los términos potenciales.
Tenga en cuenta que nunca recurrí a considerar los niveles de factor que logran el punto óptimo. no tengo que no debería Esa tarea no es el papel del diseño. Esa tarea es el papel del modelo, así que consigamos el mejor modelo que podamos. Ese resultado requiere el mejor diseño de los datos para estimar nuestro modelo.
Espero que esta breve explicación te ayude. No llega a las lecciones completas en una educación sobre el DOE, pero es de esperar que aclare de dónde proviene el punto óptimo en el DOE y cómo se deben seleccionar los niveles de los factores (por el diseño, no por usted).
Ver JMP Ayudar > Libros > Diseño de experimentos para obtener más información sobre el uso de diseños personalizados con JMP.
Ver " Diseño óptimo de experimentos: un enfoque de estudio de caso " de Peter Goos y Bradley Jones para un enfoque moderno de la experimentación si prefieres aprender por tu cuenta.
Ver JMP Software: Diseño personalizado de experimentos si prefiere instrucción presencial con un experto.
