DOE: Design completamente personalizzato o design migliorato dopo DSD?Ho 7 fattori continui e 2 fattori numerici discreti (presenza/assenza). Vorrei utilizzare DOE per identificare quali fattori giocano un ruolo nella risposta, identificare se ci sono interazioni tra fattori e infine determinare la gamma di fattori per una risposta ottimale.
Mi vengono in mente due modi per farlo e non sono sicuro di quale dei due mi fornisca un modello più accurato per identificare fattori e interazioni.
1) Mi sono ricordato dalla mia formazione in aula DOE 2 anni fa che JMP preferisce che gli utenti utilizzino il design personalizzato ora. Ho usato Custom Design e ho esaminato gli effetti principali e le seconde interazioni di tutti e 9 i fattori. Ho 52 corse. Quindi ho bisogno di impostare un altro DOE con il design RSM per identificare gli effetti quadratici.
2) Ho usato DSD e ho ottenuto 25 corse. Dopo aver analizzato i dati da DSD, dovrei essere in grado di restringere il campo ad alcuni fattori chiave (ad esempio, 4-5 fattori), aumenterò il design con questi 5 fattori e aggiungerò le seconde interazioni e gli effetti quadratici. Risolverò gli altri fattori utilizzando l'analisi di DSD. Quindi devo impostare 9 corse extra e raggrupparle in un nuovo blocco.
Il mio secondo approccio mi consente di avere 18 corse in meno (52 contro 25+9) e di avere la flessibilità di modificare il mio range per determinati fattori nel mio progetto di potenziamento. Capisco che se cambio l'intervallo per determinati fattori, ho bisogno di più esecuzioni per ridurre la varianza della previsione.
Posso solo vedere i vantaggi di fare Augment Design. Quali sono i vantaggi di realizzare un design personalizzato con tutti i fattori contemporaneamente? Quando dovrei usare Augment Design vs Custom Design?
Grazie.
DAIRi: DOE: Design completamente personalizzato o design migliorato dopo DSD?Grazie. Ora ho una migliore comprensione della pianificazione del DOE.
Quando ho appreso per la prima volta del DOE, mi è stato insegnato a utilizzare Custom Design o DSD per esaminare l'effetto principale e l'interazione per escludere alcuni fattori. Quindi utilizzerò il modello della superficie di risposta per identificare se esiste un effetto non lineare e massimizzare la risposta. Ho sempre seguito questo approccio indipendentemente dal numero di corse che potevo fare o dal numero di fattori che stavo testando. Dopo aver letto i tuoi commenti, penso di poter fare tutto in un unico Custom Design e capire perché posso fare tutto. Il nostro team farà 32 corse e vedrà come va.
Grazie per avermi ricordato di utilizzare un'ampia gamma di fattori. Questa è una cosa che tengo sempre a mente e che dico anche agli altri.
Ri: DOE: Design completamente personalizzato o design migliorato dopo DSD?Non so da dove ti sia venuta l'idea che per (1) hai bisogno di un design personalizzato con 52 corse che richieda un aumento. Allo stesso modo, non so da dove ti sia venuta l'idea che per (2) devi aumentare il DSD per stimare più degli effetti principali.
Il DSD è un caso speciale del design personalizzato alias ottimale per il modello RSM. È così che è stato scoperto il DSD.
Potrebbe non essere necessario aumentare il DSD. Se non sono attivi più di 3 fattori, il DSD per 9 fattori supporterà il modello quadratico completo, che spesso è sufficientemente accurato nell'intervallo della risposta. L'aggiunta di tirature extra aumenterà sia la potenza che la copertura del disegno perché stai effettivamente aggiungendo fattori "falsi". Tale modifica rende più probabile il principio della "scarsità degli effetti".
Il design personalizzato è ancora la scelta migliore quando uno dei metodi di progettazione speciali (ad esempio, DSD) non è appropriato o capace. Ad esempio, se hai difficoltà a modificare i fattori, non dovresti utilizzare il DSD. Offre anche altre opportunità per lo screening. È possibile specificare il modello RSM e quindi modificare la stimabilità di tutti i termini di ordine superiore da "necessario" a "se possibile". Questa definizione ridurrà drasticamente il numero minimo di corse. Quindi aggiungi di nuovo 3-4 esecuzioni per ogni potenziale termine che prevedi di essere attivo. Ad esempio, se mi aspetto due effetti non lineari e tre interazioni con i tuoi 7 fattori continui e 2 categorici, il mio design personalizzato sarebbe 10 + (2+3)*4 = 30 corse. Non dovrei aver bisogno di aumentare questo design in futuro. Questo design bayesiano I-ottimale mostra una potenza molto elevata se la dimensione dell'effetto è almeno il doppio della deviazione standard della risposta.
L'unico modo per valutare l'accuratezza del modello è confermare le sue previsioni. Raccomando almeno due previsioni: impostazioni per la risposta ottimale e impostazioni per una risposta scadente. Mi fido molto di più di un modello se può prevedere la risposta ovunque.
Infine, assicurati di utilizzare sempre un ampio intervallo di fattori per tutti i fattori continui per garantire la massima potenza e il minimo errore standard di stima. Non modificare, limitare o ridurre l'intervallo del fattore perché pensi di sapere dove si trova l'impostazione ottimale in qualsiasi esperimento. Perché aggiungere corse extra quando un'ampia gamma di fattori offre più dati empirici ed esperienza in un progetto più economico? Perché localizzare il modello?
