DOE: ¿Todo el diseño personalizado o diseño de aumento después de DSD?Tengo 7 factores continuos y 2 factores numéricos discretos (presencia/ausencia). Me gustaría usar DOE para identificar qué factores juegan un papel en la respuesta, identificar si hay alguna interacción entre los factores y finalmente determinar el rango de factores para una respuesta óptima.
Se me ocurren dos formas de hacerlo y no estoy seguro de cuál me da un modelo más preciso para identificar factores e interacciones.
1) Recordé de mi capacitación en el aula del DOE hace 2 años que JMP prefiere que los usuarios usen el diseño personalizado ahora. Utilicé el diseño personalizado y observé los efectos principales y las segundas interacciones de los 9 factores. Tengo 52 carreras. Luego necesito configurar otro DOE con diseño RSM para identificar efectos cuadráticos.
2) Usé DSD y obtuve 25 ejecuciones. Después de analizar los datos de DSD, debería poder limitarme a algunos factores clave (por ejemplo, 4-5 factores), aumentaré el diseño con estos 5 factores y agregaré segundas interacciones y efectos cuadráticos. Arreglaré los otros factores usando el análisis de DSD. Luego, necesito configurar 9 carreras adicionales y agruparlas en un nuevo bloque.
Mi segundo enfoque me permite tener 18 ejecuciones menos (52 frente a 25+9) y tener la flexibilidad de cambiar mi rango para ciertos factores en mi diseño de aumento. Entiendo que si cambio el rango de ciertos factores, necesito más ejecuciones para reducir la varianza de predicción.
Solo puedo ver las ventajas de hacer Augment Design. ¿Cuáles son las ventajas de hacer un diseño personalizado con todos los factores a la vez? ¿Cuándo debo usar Augment Design vs Custom Design?
Gracias.
GAMARe: DOE: ¿Todo el diseño personalizado o aumentar el diseño después de DSD?Gracias. Tengo una mejor comprensión en la planificación del DOE ahora.
Cuando aprendí por primera vez sobre DOE, me enseñaron a usar Diseño personalizado o DSD para observar el efecto principal y la interacción para descartar algunos factores. Luego usaré el modelo de superficie de respuesta para identificar si hay un efecto no lineal y maximizar la respuesta. Siempre seguí este enfoque independientemente de la cantidad de carreras que pudiera hacer o la cantidad de factores que estaba probando. Después de leer sus comentarios, creo que puedo hacerlo todo en un solo diseño personalizado y entiendo por qué puedo hacerlo todo. Nuestro equipo va a hacer 32 carreras y ver cómo va.
Gracias por recordarme que use un amplio rango de factores. Eso es algo que siempre tengo en mente y también les digo a los demás.
Re: DOE: ¿Todo el diseño personalizado o aumentar el diseño después de DSD?No sé de dónde sacaste la idea de que para (1) necesitas un diseño personalizado con 52 carreras que requiere un aumento. Del mismo modo, no sé de dónde sacaste la idea de que para (2) debes aumentar el DSD para estimar más que los efectos principales.
El DSD es un caso especial del diseño personalizado óptimo de alias para el modelo RSM. Así fue como se descubrió el DSD.
Es posible que no tenga que aumentar el DSD. Si no hay más de 3 factores activos, entonces DSD para 9 factores admitirá el modelo cuadrático completo, que a menudo es lo suficientemente preciso en el rango de la respuesta. Agregar corridas adicionales aumentará tanto el poder como la cobertura del diseño porque efectivamente está agregando factores 'falsos'. Ese cambio hace que el principio de 'escasez de efectos' sea más probable.
El diseño personalizado sigue siendo la mejor opción cuando uno de los métodos de diseño especiales (p. ej., DSD) no es apropiado o no es posible. Por ejemplo, si tiene factores difíciles de cambiar, entonces no debe usar el DSD. También ofrece otras oportunidades para la detección. Podría especificar el modelo RSM y luego cambiar la estimabilidad de todos los términos de orden superior de 'necesario' a 'si es posible'. Esta definición reducirá drásticamente el número mínimo de ejecuciones. Luego agregue de nuevo 3 o 4 ejecuciones para cada término potencial que espera que esté activo. Por ejemplo, si espero dos efectos no lineales y tres interacciones con sus 7 factores continuos y 2 categóricos, mi diseño personalizado sería 10 + (2+3)*4 = 30 ejecuciones. No debería necesitar aumentar este diseño en el futuro. Este diseño Bayesiano I-óptimo exhibe una potencia muy alta si el tamaño del efecto es al menos el doble de la desviación estándar de la respuesta.
La única forma de evaluar la precisión del modelo es confirmar sus predicciones. Recomiendo al menos dos predicciones: configuraciones para la respuesta óptima y configuraciones para una respuesta deficiente. Confío mucho más en un modelo si puede predecir la respuesta en cualquier lugar.
Finalmente, asegúrese de usar siempre un amplio rango de factores para todos los factores continuos para asegurar la potencia máxima y el error estándar de estimación mínimo. No cambie, limite o reduzca el rango del factor porque cree que sabe dónde está la configuración óptima en cualquier experimento. ¿Por qué agregar ejecuciones adicionales cuando un amplio rango de factores le brinda más datos empíricos y experiencia en un diseño más económico? ¿Por qué localizar el modelo?
