Lecciones de los diseños de detección definitivaHe estado usando DSD y CD desde hace bastante tiempo. Lo que estoy descubriendo es que rara vez (bueno, nunca, realmente) uso los diseños factoriales antiguos, Plackett-Burman, etc. Aunque todavía me gustan los diseños de Box-Behnken. Mi pregunta es: ¿Me estoy perdiendo algo, o hay otros que descubren que los diseños "antiguos" ya no se usan más?
Re: Lecciones de diseños de detección definitivaEl Sr. SJ Janis es (IMHO) un experto en estadística muy bien informado y verlo pensar primero en DSD es una recomendación bastante fuerte para DSDRe: Lecciones de diseños de detección definitivaComo practicante del DOE durante más de 30 años, los DSD son sumamente atractivos, ya que abrió la puerta para impulsar el número de factores capaces de ser investigados a un número mucho mayor. Como saben, "tarde o temprano, todo se reduce a dinero", y si hubiera habido algún aprendizaje clave de mi experiencia es que desearía haber agregado más factores para investigar de forma multivariada. Sin embargo, como usted sabe, los experimentos a veces requieren una región restringida o factores categóricos de múltiples niveles y ahí es donde brilla la flexibilidad del diseñador personalizado de JMP. Los diseños clásicos son diseños muy buenos y, por lo tanto, la categoría "diseños clásicos" y, en algunos casos, son un diseño elegido por el diseñador personalizado. Sin embargo, el diseñador personalizado se puede utilizar para optimizar el objetivo del experimento al elegir los criterios de diseño, a saber, d-óptimo, i-óptimo o alias-óptimo para producir el diseño que cumpla con la crítica. Con esa flexibilidad, junto con las nuevas plataformas de diseño de comparación, se pueden evaluar fácilmente todos los posibles candidatos de diseño y elegir la que mejor se adapte al problema en lugar de forzar el problema para que se ajuste a un diseño.
Re: Lecciones de diseños de detección definitivaLos DSD son lo primero que pienso para el DOE en estos días, pero todavía hay situaciones en las que vuelvo a los diseños clásicos. En particular, si el número de factores es pequeño o la mayoría de los factores son cualitativos, creo que puedo obtener el kilometraje de todos los factoriales de 2 niveles (con 2-3 factores), y un 2 ^ 5-1 sigue siendo una buena opción. diseño, especialmente si no hay un objetivo de construir una ecuación que pueda tener términos cuadráticos. Un par de otras razones para considerar a veces los diseños clásicos son a) son muy fáciles de explicar a los novatos, yb) el análisis es un poco más directo y más fácil de entender en mi humilde opinión.
Re: Lecciones de diseños de detección definitivaNo creo que te estés perdiendo nada, lo mejor de todos los tipos de diseños experimentales es que nos dan una opción ... y con más opciones tenemos una mejor capacidad para obtener lo que necesitamos. En mi proyecto actual se me ha echado a perder mi capacidad para realizar experimentos factoriales casi exclusivamente completos, pero recientemente he tenido espacios más amplios con más factores para explorar y pude usar DSD para la detección seguida de un diseño personalizado con restricciones ... y los sorprendentes avances en la forma en que JMP maneja todas estas cosas hicieron que la parte del análisis previo fuera mucho más fácil.Re: Lecciones de diseños de detección definitiva¡Podría agregar que los videos en el sitio de JMP con respecto al DOE por Peter Goos son excelentes!
