DoE: punto de enfoque descentrado en un rango de factor y factor de "tiempo"¡Hola!
Tengo dos preguntas con respecto al diseño del experimento (diseño personalizado) usando JMP 12.1.0:
- Tengo un factor (discreto, numérico) con 5 niveles: 0, 20, 50, 100, 150.
Cuando intento crear una tabla DoE, JMP considera el nivel 20 como descentrado y genera menos ejecuciones con este nivel. ¿Es posible decirle a JMP explícitamente que el centro de interés debe estar en el nivel 50, o incluso en algún punto virtual intermedio (por ejemplo, 35)? ¿Cómo puedo hacerlo en la plataforma de diseño personalizado? - Estoy planeando producir el conjunto de muestras basado en DoE. El mismo conjunto se probará más adelante por un método no destructivo. De esta manera, la respuesta se generará para varios puntos de tiempo. ¿Puedo simplemente agregar la columna "punto de tiempo" y agregar la copia de la tabla DoE original para cada punto de tiempo? ¿Será posible agregar más adelante el factor "tiempo" durante la evaluación de resultados?
¡Gracias de antemano!
Re: DoE: punto de enfoque descentrado en un rango de factor y factor de "tiempo"No estoy seguro de lo que quiere decir con 'con el resultado binario no habrá mucho uso del modelo'. ¿Cómo analizará los datos?
Re: DoE: punto de enfoque descentrado en un rango de factor y factor de "tiempo"Puede usar Life Distribution para explorar modelos de distribución candidatos para sus datos de vida.
Puede usar Ajustar modelo > Ajustar supervivencia paramétrica para modelar los datos con una distribución seleccionada para errores.
El mejor diseño de su tabla de datos podría necesitar ayuda. Este tipo de análisis es un poco diferente al modelo de regresión habitual.
Re: DoE: punto de enfoque descentrado en un rango de factor y factor de "tiempo"El objetivo del experimento es identificar factores activos además del principal.
La respuesta será de por vida para combinaciones de factores particulares.
Actualmente, con el resultado binario no habrá mucho uso del modelo (en sentido de predicción).
Para dar respuestas a todas las demás preguntas, tendré que sumergirme en una lectura extensa 
Re: DoE: punto de enfoque descentrado en un rango de factor y factor de "tiempo"Su decisión de omitir un nivel cero tiene mucho sentido.
Entonces el Salir es binario (sobrevivió, falló)? Cuál es el respuesta para ser modelado?
- ¿Modelará el resultado directamente con regresión logística?
- ¿La respuesta es de por vida?
- ¿Es la respuesta algo más como tasa de falla versus tiempo?
- ¿Cómo pretende modelar la respuesta? (¿Qué tipo de análisis utilizará?)
Re: DoE: punto de enfoque descentrado en un rango de factor y factor de "tiempo"Mark, Peter, gracias por sus comentarios y sugerencias. ¡Muy apreciado!
Voy a excluir el nivel cero del DoE. La respuesta es booleana (el objeto sobrevivió/falló) y monitorearé las muestras a lo largo del tiempo. El nivel cero no traerá ningún beneficio, ya que se sabe por la naturaleza de la falla, que es imposible fallar con el factor de concentración de nivel cero.
Tengo varios factores más y quiero verificar si tienen alguna interacción con el factor principal (la falla ocurrirá más tarde o antes).
Saludos,
romano
Re: DoE: punto de enfoque descentrado en un rango de factor y factor de "tiempo"Entonces espera "las correlaciones más interesantes en el rango 20-100" según la experiencia. Bien.
Extendió este rango hasta 0 y hasta 150. Ese cambio también podría ser bueno.
Está bien incluir ejecuciones de 'control', pero es posible que desee agregarlas después de realizar el diseño personalizado y excluirlas del análisis (ajuste del modelo). De esta manera, los tiene para comparar, pero no tienen que satisfacer las necesidades o restar valor al modelado.
Por 'control negativo' y 'no espere ninguna respuesta informativa', ¿quiere decir que no obtendrá ninguna respuesta o que la naturaleza de lo que está estudiando cambiará fundamentalmente de la naturaleza obtenida con niveles distintos de cero y no será relevante o útil? Lo siento, no tengo claro tu punto.
Nuevamente, el objetivo del rango de factores y los niveles de diseño en su experimento es apoyar el ajuste del modelo. Por ejemplo, las ejecuciones más informativas (mayor apalancamiento) para estimar el parámetro lineal se encuentran en los extremos del rango y en ninguna parte intermedia.
Utilizará el modelo para encontrar el nivel de factor más satisfactorio para la respuesta deseada. (Esta predicción se confirmará empíricamente con más pruebas).
Re: DoE: punto de enfoque descentrado en un rango de factor y factor de "tiempo"Mark ofrece buenos consejos y consejos. Según su segunda respuesta... si realmente sospecha que no se puede obtener información valiosa con ninguna combinación de tratamientos en el nivel cero, entonces, ¿por qué incluir ese nivel? En términos generales, uno no debe incluir combinaciones de tratamientos en un experimento que, a través del conocimiento previo o la experiencia en el dominio, daría como resultado fallas abyectas que no brindan información sobre la cual contribuir a su capacidad para abordar el problema práctico. Dado que el factor es numérico discreto, sugiero elegir un nivel bajo que proporcione información empírica valiosa.
Re: DoE: punto de enfoque descentrado en un rango de factor y factor de "tiempo"Gracias por la respuesta integral. Intentaré seguir tus recomendaciones.
En cuanto a los niveles, según el conocimiento previo, espero correlaciones más interesantes en el rango 20-100. Se agregó 150 como valor extremo y 0 como control negativo.
Era simplemente contrario a la intuición, que tengo que realizar muchas ejecuciones con el nivel "0" (donde no espero ninguna respuesta informativa), mientras que, al mismo tiempo, hay muy pocas ejecuciones con el nivel 20. ¿Quizás fue una mala idea incluir el control negativo en el espacio de diseño?Re: DoE: punto de enfoque descentrado en un rango de factor y factor de "tiempo"- Puede definir los niveles que desea incluir en el experimento utilizando el factor numérico discreto, pero luego el diseño personalizado define los términos del modelo para ese factor y la distribución óptima de esos niveles en el diseño para un número determinado de ejecuciones.
- ¿Cómo llegaste a elegir los niveles de factor 0, 20, 50, 100 y 150 para este experimento?
- ¿Qué quiere decir con 'centro de interés'?
- Parece preocupado por la falta de equilibrio en el diseño resultante. Intuitivamente esperaba la misma cantidad de replicación para cada nivel de factor. Sin embargo, el equilibrio no es un criterio de diseño. La varianza mínima es el criterio. Los diseños D-óptimos minimizan la varianza de las estimaciones de los parámetros, lo cual es bueno para probar hipótesis. Los diseños I-optimal minimizan la varianza de las predicciones del modelo, lo cual es bueno para la optimización de la respuesta. La dependencia de la varianza del diseño es una función no lineal del diseño, por lo que a veces el diseño de varianza mínima está equilibrado, pero a menudo no lo está.
- Puede solicitar una serie de tratamientos replicados, pero no puede elegir qué tratamientos se replican. El algoritmo asegura el nivel deseado de replicación pero elige las ejecuciones para proporcionar la mayor cantidad de información. Podría excluir algunos niveles para satisfacer su restricción de replicación, lo que podría resultar en un diseño que es aún menos intuitivo.
- Siempre puedes modificar el diseño después si lo consideras necesario. Es decir, guarda el diseño personalizado óptimo como una tabla de datos y luego cambia manualmente los niveles según lo previsto. No romperá nada, aunque comprometerá el soporte de sus datos para su modelo.
- El punto principal es que los tratamientos se determinan por el bien del modelo. El modelo se utiliza para encontrar los niveles óptimos de los factores, no el diseño. No se supone que el diseño incluya los niveles óptimos, sino solo aquellos niveles que mejor apoyen la estimación de los parámetros del modelo.
- Por supuesto, puede incluir medidas repetidas en su experimento, pero ¿cuál es su respuesta final?
- ¿Es uno de los puntos de tiempo, como el punto final?Si es así, probablemente usaría varias columnas para capturar estas observaciones a lo largo del tiempo.
- ¿Es una función de más de un punto de tiempo, como la pendiente, el punto de inflexión o la asíntota? Si es así, apilaría las respuestas y agregaría una nueva columna para representar el punto de tiempo como sugiere. A continuación, podría incluir efectos de tiempo en el modelo.
- Hay otras formas, como usar varias columnas y derivar una respuesta. He optimizado los ensayos calculando los parámetros de la curva dosis-respuesta por separado y utilizándolos como respuestas. La misma técnica podría aplicarse al curso temporal de la respuesta.
Entonces, en conclusión, tenga en cuenta que el diseño experimental es el resultado que responde a la pregunta: "¿Cuál es la mejor información para ajustarse a mi modelo?"
