# de niveles de DOEHola-
Recibí la siguiente pregunta de un cliente:
"En mi pregunta nos centramos más en confirmar mejor la diferencia entre lo cuadrático y lo lineal. No espero que sea cúbico o superior. Esto se debe principalmente a una preocupación por el error en mis experimentos, donde no quiero concluir erróneamente que una correlación es cuadrática porque algunos de los puntos de muestra son lo suficientemente periféricos para encajar en una cuadrática mejor que en un ajuste lineal. Déjame saber si esto tiene sentido o si estoy malentendido. Para mí, tener 4 o más niveles proporcionaría mayor evidencia de curvatura. Esto me haría sentir más cómodo al concluir que la curvatura no está asociada con la aleatoriedad de mi prueba ".
Esencialmente, quiere saber si debería agregar más niveles (más de 3) para tener más confianza en si tiene un modelo lineal o cuadrático.
Mi respuesta a él, aunque le dije que consultaría con otros colegas, debería:
1) Mire la relación gráfica en el Perfil de Predicción para ver si había curvatura
2) Finalmente, para asegurarse de que haya una relación estadística, para ver la Tabla de efectos, y si la cuadrática es estadísticamente significativa, entonces manténgala.
3) Si tiene los recursos para ejecutar ejecuciones adicionales, ¡pruébelo!
¿Alguien más tiene pensamientos diferentes?
Re: # de niveles DOEHola alisa
Debo anotar que para la tabla de datos que agregó, puede encontrar quejas de Evaluate Design (mira el modelo y las combinaciones no permitidas, y no puede encontrar el AF). Puede ser más fácil eliminarlas si mira Evaluate (tal vez nosotros Tendré que ver cómo abordar eso para JMP 15 ...)
Me gusta la idea de Peter, probar un diseño A-óptimo ponderado.
También agregaré, a veces me gusta usar los polinomios ortogonales para verificar los aspectos cuadráticos (jsl: ortho poly), ya que a veces el uso del cuadrado simple para los signos cuadráticos deja de tener poca potencia. Es decir, tomaré algo como la columna A y lo dividiré en columnas (una para el componente lineal y otra para la cuadrática), y la usaré para modelar. Es posible que prefieran volver al modelo más sencillo después de usar la codificación original, pero puede ayudar a señalar los efectos cuadráticos que pueden existir.
Si tienes el libro de Wu y Hamada, lo mencionan en el Capítulo 1, al menos lo hizo la primera edición.
Aclamaciones,
Ryan
Re: # de niveles DOE @phersh ¡Absolutamente! Aquí está. Creé algunos datos falsos para mostrarle cómo analizarlos en JMP.
Re: # de niveles DOEAlisa
¿Sería posible compartir el archivo que usted y Don crearon?
¿También ha considerado un diseño A-óptimo ponderado con el enfoque en el (los) efecto (s) cuadrático de interés?
Pensaría que más carreras en los puntos finales y puntos centrales le darían una mejor sensación de si realmente hay un efecto cuadrático activo. En lugar de elegir 4 niveles entre los dos puntos finales.
Re: # de niveles DOEHonestamente, ¡parece que se hizo una gran cantidad de trabajo! No estoy seguro de entender por qué, pero eso no es importante por ahora. Estoy seguro de que usted y Don hicieron algo que fue apropiado. En cuanto a evaluar el poder, creo que todavía puedes. Tome la tabla de datos que está analizando y simplemente elija DOE> Diagnósticos de diseño> Evaluar diseño. Usted especifica los factores y el modelo y debe hacer la evaluación. No necesita ser algo creado por Diseño Personalizado.
Re: # de niveles DOESí. Pensé en Power después de crear el post. Con su DOE particular, no puedo verificar el poder (o al menos no creo que pueda). Tiene 6 factores, pero solo 3 de los cuales quería usar al mismo tiempo. Con la ayuda de @DonMcCormack , creamos a través de un CD un DOE utilizando X1-> X3 para representar los 3 niveles como números discretos y X4-> X6 como factores categóricos con 6 niveles. Los seis niveles de X4-> X6 representaron los 6 factores. Creamos el diseño y tenía 36 carreras. Luego usamos el Filtro de combinaciones no permitidas para romper cualquier elección de 2 de las mismas situaciones de factores. Luego tuvimos que hacer una pila de series múltiples para apilar los niveles y factores y luego una división para colocarlos en las columnas correspondientes. Luego agregamos en la columna de respuesta y le mostré la forma de analizar usando Fit Model ya que el script Model no funcionaría. ¿Esto tiene sentido? Entonces, al final del día, el DOE no es uno que pueda evaluarse con el Análisis de potencia. No conozco una manera de verificar el poder de este DOE "a mano / con fuerza bruta". ¿Me estoy perdiendo de algo?
Re: # de niveles DOEPuedes comprobar para ver cuál es mejor. Esencialmente, quiere alto poder para los términos cuadráticos. Él realmente necesita saber si son reales o no. El diseño predeterminado es un diseño D-Optimal, pero un diseño I-Optimal es mejor para estimar términos cuadráticos, por lo que debería usar un diseño I-Óptimo (potencia ligeramente mayor en las cuadráticas, pero menor potencia en los principales efectos e interacciones así que hay una compensación allí).
Creé un diseño I-óptimo para un factor (los resultados se mantendrán para más factores) y un modelo cuadrático, 12 ejecuciones. Esto resultará en un diseño de 3 niveles. El análisis de poder se ve así:
Ahora creo un diseño de I-óptimo en 12 carreras con 4 niveles. Tengo que elegir Discrete Numeric para hacer esto, pero siempre y cuando solo estime el modelo cuadrático, está bien. Aquí está el análisis de poder en este diseño:
Como puede ver, realmente obtiene una potencia MÁS BAJA en el término cuadrático al agregar más niveles (aumenta la potencia en los efectos principales). Tenemos una demostración similar a esta en nuestra clase de diseño experimental personalizado. Tiene más posibilidades de detectar la curvatura utilizando menos niveles.
Aquí está la comparación general de power PLUS, agregué la gráfica de Fraction of Design Space. El diseño de 3 niveles proporciona una mejor potencia en los aspectos cuadráticos (no los efectos principales) Y proporciona una mejor varianza de predicción. En general, creo que los 3 niveles superan a los cuatro niveles cuando solo es un modelo cuadrático.
