Hi SEs,
Ich habe ein Journal für Design Diagnostics erstellt, das ich mit Ihnen teilen möchte. Es wird auch veröffentlicht, um in der Community verfügbar zu sein: MJMP_DesignDiagnostics_2015_10_09 09Okt2015 12_03_44.zip
Dies kann für andere nützlich sein, da es verschiedene Vergleiche gibt, die Sie auch vor Ort verwenden und vergrößern können, wenn Sie tiefer tauchen möchten, als dies in 45 Minuten möglich ist.
Grüße,
Martin
Hier ist die Beschreibung des Inhalts:
Dieses Journal wurde am 09.10.2015 in meinem Mastering JMP-Webinar zu Design Diagnostics vorgestellt. Das Journal ist in englischer Sprache, so dass jeder davon profitieren kann.
Ich hoffe, ich habe genug Beschreibung hinzugefügt, damit sich jeder daran gewöhnen kann. Innerhalb der Zeitschrift gibt es weitere verknüpfte Ressourcen zu Webinaren, Blogs, Büchern, Dokumenten und Dokumentation. Es gibt auch Tabellen in der ZIP-Datei, die hier aufgelistet sind:
- MJMP_DesignDiagnostics_2015_10_09.jrn
- Widget Factors.jmp
- Benutzerdefiniertes Design_30run.jmp
- DSDlikeDesign_30run.jmp
- PBlikeAugmentedDesign_30run.jmp
- Custom_D_Optimal.jmp
- Custom_I_Optimal.jmp
- Relativer Standardabweichungsfehler von Estim.jmp
In der Zeitschrift werde ich nicht über Clinical Trial Designs, Designs für nichtlineare oder verallgemeinerte lineare Modelle, reine Mischungsdesigns oder über Arrays sprechen. Es gibt jedoch Links zu einem Blogeintrag in DOE für nichtlineare Modelle sowie einen Link zu MJMP-Webcat zu Mixture Designs. Der Inhalt ist wie folgt:
- Einige allgemeine Anmerkungen zu den Gestaltungsprinzipien von Fisher sowie dazu, wie sich die Wahrscheinlichkeit auswirkt, einen signifikanten Faktor zu erkennen, dh wann eine Änderung des Pegels dieses Parameters eine praktisch wichtige Änderung in der Antwort bewirkt. Diese Wahrscheinlichkeit ist die Kraft, die Sie lernen, worauf sie basiert und wie sie erhöht werden könnte.
- Vergleichen Sie Designs darin, um die Modelleffekte abzuschätzen. Besonders hervorheben, dass nicht alle Designs alle Modelleffekte wie Zwei-Faktor-Wechselwirkungen oder quadratische Effekte abschätzen können. Ein Vergleich der Leistung zeigt, dass Sie Äpfel mit Äpfeln vergleichen sollten, dh Designs mit der gleichen Anzahl von Läufen und gleichen Modelleffekten
- Zum Vergleich betrachten wir verschiedene Arten von Designs. Benutzerdefiniertes Design, Placket-Burman-ähnliches Design und Definitive Screening wie jedes 30-Rund-Design (Don McCormacks englischsprachiger Webcast zu Design Diagnostics zeigt Ihnen genau, wie Sie diese Designs generieren:
( http://www.jmp.com/de_de/events/ondemand/mastering-jmp/design-diagnostics.html )) - Der Schwerpunkt liegt auf der Evaluate Design Platform, was modelliert werden kann, und der Leistungsanalyse, wie gut sie geschätzt werden kann
- Der nächste Vergleich wird über D-Optimal- und Alias-Optimal-Entwürfe zur Bedeutung von Aliasing sprechen. Dieser Teil basiert auf einem Blog von Ryan Lekivetz
( http://blogs.sas.com/content/jmp/2014/06/12/alias-optimal-versus-d-optimal-designs/ ). Außerdem werden die Definitive Screening-Designs kurz beschrieben. - Der Fokus liegt hier auf dem Optimalitätskriterium, der Farbkarte der Korrelationen und der Schätzungseffizienz
- Das letzte Vergleichsbeispiel basiert auf einem "robusten und optimalen Verfahrensexperiment" in dem von Bradley Jones und Peter Goos geschriebenen Buch
( http://www.jmp.com/de_de/events/ondemand/mastering-jmp/gebrauchs-definitive-screening-designs-to-get-mehr-information-von-kornversuche.html ) - Es werden i-optimale Designs und deren Vorteil gegenüber d-optimalen Designs im Hinblick auf eine geringere Vorhersagevarianz hervorgehoben.
- Der Fokus liegt auf der Schätzungseffizienz, der Designeffizienz und dem Anteil des Design Space Plot.
