195256_es-ES

liliconcom

diseño personalizado

Necesito ayuda en el análisis de este modelo.

Re: diseño personalizado

No nos has dado ninguna información con la que poder ayudarte.

 

• ¿Cuál es su experiencia con el diseño y análisis de experimentos?
• ¿Cuál es su experiencia con JMP, diseño personalizado JMP y diseños super-saturados?
• ¿Cuál es el propósito de tu experimento? ¿Cuáles son tus metas?
• ¿Qué has probado ya? ¿Algo funcionó para ti?
• ¿Qué problemas específicos encontraste? ¿Qué respuestas estás buscando?

 

Examiné tu diseño. Es un diseño pequeño (12 ejecuciones), por lo que es probable que tenga poca potencia. Encontrará efectos reales solo si los efectos son muy grandes en comparación con el efecto aleatorio de las respuestas (de 4 a 5 veces más). ¿Es ese resultado lo que esperas? Los rangos de tus factores deben ser amplios para producir un gran efecto. ¿Es eso lo que hiciste? Es un diseño super-saturado. Usted tiene 10 términos con estimabilidad establecida en si es posible (todas las posibles interacciones de dos factores). Tienes 8 términos que son necesario para estimar (incluir una interacción de tres factores). No tiene ningún término para explicar una posible respuesta no lineal para cambiar estos factores. Esto parece ser un factor de prueba de cribado. ¿Es ese tu propósito?

 

He examinado su análisis. Guardó un análisis en el que intentó estimar los 18 términos con 12 ejecuciones, por lo que tiene muchas singularidades. ¿Es ese análisis lo que pretendías? La metodología para el análisis de diseños supersaturados no recomendaría tal análisis.

 

Usé la regresión por pasos para SLOPE. Elegí manualmente los términos para agregar, un término a la vez. Llegué a este modelo tentativo.

 

 

Note la gran incertidumbre en la predicción del modelo. Tu CV para SLOPE es de aproximadamente el 23%. Los efectos más grandes y más significativos son 2 interacciones de dos factores. ¿Es eso razonable? ¿Eso te sorprende?

 

No encontré efectos significativos para LOD. ¿Eso te sorprende? ¿Espera que el LOD se distribuya normalmente según lo previsto por este método de modelado?

 

Encontré que el PVC: TCP es el único efecto significativo para LOQ. ¿Eso te sorprende?

 

No encontré efectos significativos para R.

 

Encontré los mismos efectos para TIEMPO DE RESPUESTA que para SLOPE.

 

Hay otros métodos disponibles para seleccionar diferentes modelos en tal caso si estos modelos no son satisfactorios. Es obvio que cualquiera de los modelos que seleccione para estos datos deberá confirmarse empíricamente.

Re: diseño personalizado

muchas gracias por su ayuda

1- En realidad, tengo un poco de experiencia con JMP y DOE

2- Diseñé este modelo para inspeccionar los efectos principales y (cualquier interacción si es posible) de los tres factores continuos PT, PVC: TCP y MT y un factor có- nico ionóforo de tres niveles (CX-BCD-ninguno) en el mencionado Cinco respuestas (pendiente, LOD, LOQ, R y RT)

3-el modelo diseñado es alcanzar la combinación de factores óptima para la máxima conveniencia.

4- Pongo valores de 0.6,0.05, 0.15, 0.05, 0.15 importancia para la pendiente de respuesta, LOD, LOQ, r y RT

5- ¿Este modelo está realmente diseñado? ¿Y cómo puedo analizar provechosamente estos datos, especialmente si ya hice los doce experimentos?

6- Realmente, no usé un rango amplio para cada factor.

Finalmente necesito su información detallada sobre el uso de este modelo para examinar

1- Los principales efectos de cada factor.

2- términos de interacción 

3- Fórmulas de predicción para cada respuesta.

4- combinación óptima de factos para máxima conveniencia

 

 

Re: diseño personalizado

1. Tu respuesta no es mucho, pero gracias de todos modos.
2. ¿De qué se trata tu experimento? ¿Cuáles son tus factores y respuestas sobre?
3. Entonces, ¿este experimento pretende optimizar los niveles de factor para obtener las respuestas deseadas? Parece que no sabes mucho acerca de los efectos de estos factores, por lo que la optimización parece un salto. Es poco probable que su diseño de selección muy económico sea compatible con el modelo detallado necesario para la optimización.
4. Entonces, LOQ y RT son 3 veces más importantes que la pendiente, LOD y r. Lo tengo.
5. No tengo idea de lo que quiere decir al preguntar si "este modelo está realmente diseñado".
   1. ¿Cual modelo? ¿El que especificaste para el diseño personalizado? El que te queda? El que me queda?
   2. ¿Qué significa "verdaderamente diseñado"?
   3. Asumí que los datos de respuesta son reales, así que también asumí que ya hiciste las 12 carreras.
   4. Su análisis comienza con la selección del mejor modelo para los datos que tiene. Mi respuesta anterior sugiere algunos enfoques que podría tomar para esta parte. El siguiente paso es explotar el modelo seleccionado y encontrar los mejores niveles de factores, lo que sería un buen uso de Predicition Profiler como ya demostré.
6. Esa respuesta es desafortunada. Podría ser la razón por la que se descubrieron pocos efectos. Perdió la oportunidad de aprovechar al máximo un diseño económico (potencia).
   1. Su RMSE es aproximadamente 17 para la pendiente con una pendiente media de aproximadamente 45, por ejemplo. ¿Ese sigma parece normal para tus pendientes?
   2. Ese sigma significa que cambiar sus niveles de factor realmente debe cambiar la pendiente en 4 o 5 veces para tener una posibilidad de detección. ¿Esperarías mucho de un cambio (efecto) en estos rangos de factores?

 

Sus cuatro solicitudes específicas al final de su respuesta pueden ser respondidas bastante bien por la excelente documentación. Por favor mira Ayuda > Libros > Guía de Diseño de Experimentos. . Esta guía contiene información general y específica sobre el diseño y análisis de una variedad de experimentos. Ilustra cada aspecto con ejemplos. Los conjuntos de datos de muestra se proporcionan para que pueda practicar antes de analizar sus propios datos.

 

(Tenga en cuenta que hay otra guía para Montaje de modelos lineales que cubre los detalles sobre el tipo de modelo que está utilizando.)

Re: diseño personalizado

Acabo de examinar su tabla de datos otra vez y la encontré bastante desordenada. Es decir, algunos de los metadatos sobre los factores y las respuestas fueron inconsistentes o incorrectos y estos problemas afectan el modelado y la inferencia. Ese resultado no debería ocurrir si diseñas el experimento con JMP. No debe cambiar estas propiedades a menos que sepa lo que está haciendo y tenga una buena razón.

 

Arreglé los problemas. Repetí mis análisis tentativos. * Guardé la fórmula de predicción para cada modelo tentativo. He perfilado estos modelos. Tuve que excluir LOQ porque nunca alcanzó el nivel deseado.

 

Guardé guiones para cada paso en la tabla de datos. Se adjunta la tabla de datos actualizada.

 

* Seleccioné manualmente los modelos tentativos utilizando la plataforma paso a paso y un generoso nivel alfa de 0.15 para aumentar la baja potencia, con el riesgo de que algunos de estos efectos no se confirmen.

Re: diseño personalizado

gracias 

Realmente necesito un video tutorial para entender cómo usar JMP para DOE 

Re: diseño personalizado

Hay varios seminarios web a pedido y en vivo orientados al análisis y la planificación del DOE disponibles sin cargo en jmp.com. Estos videos se enfocan principalmente en 'cómo' en JMP ... y NO se enfocan en enseñar a alguien con poco conocimiento del proceso de resolución de problemas del DOE. Entonces, si usted está buscando un "cómo" en JMP ... entonces sugiero que lea detenidamente las muchas ofertas dispersas alrededor de la serie de seminarios web Mastering JMP que se encuentran aquí:

 

https://www.jmp.com/en_us/events/mastering/webcasts.html

 

Si está buscando una experiencia de aprendizaje más integral que enseñe el proceso de resolución de problemas del DOE Y "cómo" en JMP, SAS también ofrece una variedad de experiencias de capacitación. Puedes leer estas ofertas aquí:

 

https://www.jmp.com/en_us/training/what-we-offer.html