Elección de configuración DoETengo una pregunta sobre la configuración de un DoE y cuál podría ser la más adecuada de todas las opciones disponibles.
Mi experimento se relaciona con maximizar el rendimiento de una extracción química particular y tengo ~5 parámetros de 2 niveles tanto continuos (p. ej., tiempo, temperatura, volumen) como categóricos (p. ej., número de muestra, agitar encendido/apagado).Me gustaría tener triplicados ya que los resultados pueden ser ruidosos y estoy limitado a 24 experimentos en una sola ejecución.Estoy considerando los méritos de los puntos centrales también.Mi objetivo es realmente encontrar qué parámetros son críticos para la salida y cuáles no marcan la diferencia, en lugar de intentar predecir las salidas exactamente.También me pregunto si sería beneficioso dividir esto en múltiples DoE, por ejemplo, eliminar primero los parámetros no críticos y luego investigar más profundamente aquellos que son críticos.
En JMP tienes las opciones de comenzar con un diseño personalizado, cribado definitivo, cribado, superficie de respuesta, factorial completo, mezcla y taguchi.Puedo eliminar la superficie de respuesta porque creo que es solo para parámetros continuos.Sin embargo, para el resto, no estoy seguro de con cuál comenzar, y parece que puede llegar al mismo punto desde diferentes rutas, por ejemplo, detección -> elegir de la lista -> factorial completo.La evaluación parece ser la más apropiada, pero me interesaría escuchar las opiniones de la comunidad sobre cómo se decide cuál es el mejor enfoque.
Re: Elección de la configuración del DoEDisculpas, tengo una pregunta más sobre las réplicas.
Idealmente, me gustaría ejecutar cada experimento dos veces o mejor tres veces.Al final de un diseño personalizado, puede seleccionar el número de ejecuciones: mínimo, predeterminado y especificado por el usuario.Hay un cuadro encima de 'Número de ejecuciones replicadas'; sin embargo, ingresar 1 en ese cuadro no duplica el número de ejecuciones.Para un original de 8 y 12 para el mínimo y predeterminado, aumenta a 9 y 16. Bajo el diseño clásico -> cribado, agregar un 1 al cuadro de réplicas duplica el número de ejecuciones.¿Por qué sería diferente para el diseño personalizado?También es importante que pueda configurar las réplicas en 0 para el diseño personalizado y simplemente copiar y pegar todos los experimentos propuestos, para permitir que todos se repliquen.
Re: Elección de la configuración del DoESi se trata de una extracción química acuosa/orgánica, asegúrese de considerar la salmuera (NaCl) como un factor. Los lavados con salmuera saturada son muy efectivos para ayudar a la partición.
Re: Elección de la configuración del DoELa eficiencia D es básicamente una medida de ortogonalidad. Es la d-optimalidad de su diseño en comparación con un diseño hipotético de los mismos factores y número de ejecuciones que no tiene correlación entre ninguno de los términos de su modelo. La mayoría de las veces, tal diseño en realidad no puede existir.
Realmente es solo un reconocimiento de que tiene que aceptar una mayor correlación entre los términos del modelo para incluir todos los factores que especificó para esa cantidad de ejecuciones. Es difícil decir qué es una d-eficiencia "mala". Creo que el poder es una métrica mucho mejor para juzgar la utilidad de un diseño de proyección, así como el mapa de colores.Re: Elección de la configuración del DoEHabiendo agregado algunos parámetros más, encuentro que obtengo un puntaje de eficiencia D de alrededor del 83%.Esto parece disminuir cuando agrego 1 o más puntos centrales. ¿Tiene esto que ver con la respuesta de curvatura y es la incapacidad de modelarlo con precisión?¿Sería mejor dejarlos fuera? La caída de la eficiencia D es de ~77 %, pero no estoy seguro de qué eficiencia D es buena o mala, aunque hay algo de discusión aquí: https://community.jmp.com/t5/Discusiones/D-Eficiencia-y-resolución/td-p/47698
Re: Elección de la configuración del DoEGracias Cameron, este es un consejo muy útil 
Re: Elección de la configuración del DoEOlvidé mencionar que puede incluir cualquier número de puntos centrales en Diseño personalizado.Esto le dará la capacidad de detectar la curvatura en una superficie de respuesta, pero no modelarla.No parece que eso sea muy importante para ti en esta etapa.
Re: Elección de la configuración del DoESegún su descripción del objetivo, definitivamente parece que necesita un diseño de detección.Sin embargo, quiero señalar que los diseños de superficie de respuesta no son solo para todos los factores continuos.Eventualmente querrá hacer uno si alguna vez necesita una buena predicción dentro de su espacio de diseño.
5 factores en 24 ejecuciones es ciertamente factible para un diseño de detección, aunque no podrá replicar cada punto varias veces.Recomendaría Diseño personalizado y especificar un modelo de todos los efectos principales e interacciones de 2 factores.Cuando ejecuté 5 factores en 24 ejecuciones allí, obtuve un diseño con 8 de los puntos replicados, por lo que tendrá una estimación decente del error puro.
Es probable que Definitive Screening no sea adecuado para usted, a menos que desee obtener algo así como una superficie de respuesta al mismo tiempo y sentirse preparado para intentar un análisis mucho más complejo.Los diseños de mezcla no son relevantes aquí, no tiene suficientes ejecuciones para un factorial completo (32 ejecuciones para 5 factores), y las matrices de Taguchi son bastante antiguas y, por lo general, para situaciones en las que necesita un diseño altamente fraccionado (no es su caso).
En la plataforma Screening Design, básicamente podrá elegir entre factoriales (completos y fraccionarios) y Plackett Burman.Un factorial fraccional solo permitiría potencias de 2, por lo que tendrías que elegir entre 8, 16 o 32 ejecuciones para tu diseño.Con 16 ejecuciones, no tendría grados de libertad para el error ya que está comenzando con 16 términos potenciales del modelo.Puede hacer eso si realmente solo está buscando las perillas grandes en su experimento.Placket Burman es para 12 carreras y en realidad solo te da los efectos principales.
No puedes equivocarte con el diseño personalizado.Muy a menudo reproducirá los diseños clásicos para la misma cantidad de ejecuciones, pero con el diseño personalizado tiene total flexibilidad sobre el modelo que desea estimar y cuántas ejecuciones incluir.Para los criterios de optimización, elija D-optimidad para un escenario de detección.Ese criterio hace hincapié en las estimaciones de parámetros precisas/potencia, por lo que tiene la mayor probabilidad posible de detectar cualquier efecto significativo para la cantidad de ejecuciones que puede hacer.
