RSM vs. DSD vs. Augmented DSD vs. Space Filled Augmented DSDHallo Community,
Ich melde mich, weil ich derzeit im Dilemma bin, mit welchem Modell ich weitermachen soll. Ich habe zuvor einen 5-Faktor-CCC-RSM ausgeführt und erfolgreich quadratische Beziehungen mit R-Quadrat-Werten über 0,95 konstruiert. Großartig, oder? Außerdem handelte es sich um einen halbfaktoriellen Versuchsplan, also 27 Durchläufe (1 Mittelpunkt, da es sich um Simulationen handelt).
Dieses Mal plane ich die Durchführung eines weiteren 5-Faktor-RSM oder DOE. Der Vorbehalt besteht darin, dass mit dem vorherigen RSM Alpha-Punkte leicht entworfen werden konnten. Diesmal ist das nicht der Fall, die Grenzen sind harte Grenzen. Ich habe über ein CCF oder CCI (beschriftet) nachgedacht, diese beiden bergen jedoch Risiken hinsichtlich der Präzision oder der Abdeckung des gesamten interessierenden Designbereichs.
Frage: Wie viele Läufe oder welche alternativen Modelle würden Sie einem CCC empfehlen? Wie kann ich lineare, bidirektionale Interaktionen und quadratische Terme mit alternativen Designs mit 27 Läufen oder weniger mit guter Sicherheit vorhersagen? Ich habe Angst vor der Verwendung von DSD oder Augmented DSD oder möglicherweise sogar einem DSD mit Augmented Space Filled DOE aufgrund der Unterschiede in der Korrelationsmatrix im Vergleich zu herkömmlichem RSM.
CCC kommt nicht in Frage, weil es Designs gibt, die unmöglich umzusetzen sind.
Danke Jungs!
Betreff: RSM vs. DSD vs. Augmented DSD vs. Space Filled Augmented DSDOP,
Ich bin etwas verwirrt über Ihre Aussagen und Anfragen. Mark hat einige tolle Fragen gestellt. Ich hoffe, es macht Ihnen nichts aus, aber ich habe noch einige andere Kommentare/Fragen und persönliche Überlegungen.
Es ist äußerst schwierig, Ratschläge zu geben, ohne die Situation zu verstehen. Welche Antwortvariablen versuchen Sie zu optimieren? Welche Faktoren werden manipuliert (und welche Hypothesen sind mit der Auswahl dieser Faktoren verbunden?). Dies ist eine Simulation, die Sie durchführen. Ist das richtig? Wie simulieren Sie Lärm? Stellen Sie fest, dass in der Simulation ein Algorithmus programmiert ist. Wenn die von Ihnen manipulierten Faktoren nicht in diesem Algorithmus enthalten sind, werden sie als unbedeutend angezeigt. Wer hat die Simulationssoftware geschrieben? Wie sicher sind Sie, dass die Simulation die Realität vorhersagt? R-Quadrate erzählen NICHT die ganze Geschichte. Die R-Quadrate erhöhen sich jedes Mal, wenn Sie dem Modell Freiheitsgrade hinzufügen. Mich würde das Delta zwischen R-Quadrat und angepasstem R-Quadrat interessieren. Das angepasste R-Quadrat sollte Ihr standardmäßig gemeldeter Wert sein. Wenn es sich um eine Simulation handelt, warum ist Ihnen dann die Reduzierung der Durchläufe wichtig? Fehlt Ihnen Rechenleistung?
Wenn Sie an sequentielles Experimentieren denken (Antwortoberflächenmethode von Dr. Box), könnten Sie mit Screening-Designs (große Anzahl von x, Prädiktorvariablen) beginnen, um die Anzahl der Faktoren von Bedeutung (Interesse) zu reduzieren. Dies basiert auf den Prinzipien der Knappheit und der Wirkungshierarchie. Dann iterieren Sie mit denjenigen, die Interesse zeigen (z. B. praktisch bedeutsame, interessante Muster in den Daten, die im Vergleich zu Ihren Vorhersagen ungewöhnlich sind). Letztendlich möchten Sie vielleicht ein prädiktives Polynom optimieren und erstellen (eines, das in der realen Welt nützlich sein kann, nicht in der Simulation). Hinweis: Komplexe, nichtlineare Modelle sind schwer vorherzusagen und zu verwalten. Wenn Sie wirklich im optimalen Bereich sind, dann könnte etwas wie Evolutionary Operation (EVOP) vielleicht die bessere Strategie sein.
Prost,
Rechnung
Betreff: RSM vs. DSD vs. Augmented DSD vs. Space Filled Augmented DSDVielen Dank, Mark. Ich denke, die Minimierung der Korrelation war von grundlegender Bedeutung. Ich vergleiche sie gerade direkt mit dem Ad-hoc-Ansatz. Das benutzerdefinierte Design ist wesentlich kleiner als das Augmented DSD, was mir das Vertrauen gibt, diesen Ansatz auszuprobieren.
Nochmals vielen Dank für Ihre Zeit! Ich freue mich darauf, mehr über Ihre Software und diese Foren zu erfahren!Betreff: RSM vs. DSD vs. Augmented DSD vs. Space Filled Augmented DSDKein Problem. Ich möchte es nur klarstellen.
Einige zentrale Verbunddesigns bieten Läufe, die Aliase aus dem Modell entfernen, aber nicht alle davon. Durch kundenspezifisches Design wird die Korrelation zwischen Schätzungen minimiert oder eliminiert. Sie haben auch die Wahl zwischen Optimalitätskriterium und Designbewertungsinformationen, die Sie berücksichtigen müssen, bevor Sie sich auf ein bestimmtes Design festlegen.
Ich empfehle nicht, ein DSD durch ein raumfüllendes Design zu erweitern. Einer der Hauptvorteile der Verwendung eines DSD besteht zunächst darin, dass eine Augmentation nicht erforderlich sein sollte, wenn die Screening-Grundsätze gelten. Zweitens ist das Hinzufügen der Läufe eines raumfüllenden Designs ein Ad-hoc-Ansatz, der keine Informationen über das ursprüngliche Design (DSD) nutzt. Schließlich gibt es einen gezielten und prinzipiellen Ansatz: Augment Design. Bei dieser Plattform handelt es sich im Wesentlichen um ein benutzerdefiniertes Design, aber sie beginnt mit Läufen aus einem früheren Experiment und ergänzt diese Läufe, wenn Sie Parameter (Faktorbereiche, Modellbedingungen usw.) ändern.
Betreff: RSM vs. DSD vs. Augmented DSD vs. Space Filled Augmented DSDMarkieren,
Vielen Dank für die Klarstellung dieser Terminologie.
Damit meine ich das „interessante Fenster“ als das einzige Fenster, in dem wir Designs erstellen können. Ich gehe davon aus, dass Sie nach der Verwendung von Design Expert und dem Einrichten von RSMs Ihr Design bewerten können und basierend auf dem klassischen CCD keine Aliasing-Begriffe für Begriffe 1. und 2. Ordnung gefunden werden. Ich denke, das ist der Grund für die Terminologie, die ich bisher verwendet habe und die möglicherweise verwirrend ist.
Beim DSD + Space Filling habe ich über die Vorteile des Space Filling für Computersimulationen gelesen, allerdings ist ein reines Space Filling teuer, basierend auf der „10N“-Regel, wobei N die Anzahl der Faktoren ist. Die Kombination von DSD und Raumfüllung wurde von einem Kollegen vorgeschlagen, weshalb ich Kontakt aufnehmen und herausfinden wollte, ob das ein Weg ist.
Das benutzerdefinierte Design gefällt mir übrigens sehr gut. Vielen Dank für diesen Vorschlag. Es lässt sich ganz einfach auf JMP verwenden. Design Expert verfügt über eine benutzerdefinierte Designfunktion, deren Einschränkungen jedoch schwierig festzulegen sind.
Mark, ich schätze deine Antworten wirklich! Ich freue mich wirklich, sie besser zu verstehen.
-Carlos
Betreff: RSM vs. DSD vs. Augmented DSD vs. Space Filled Augmented DSDUnter „bestätigt, gut vorhergesagt“ verstehe ich, dass Sie mit Ihrem Modell eine neue Reaktion unter einer zuvor nicht getesteten Bedingung vorhergesagt haben und das Ergebnis der Vorhersage nicht widersprach.
Die axialen Punkte (keine „Alphapunkte“) sind einzigartig für die von Ihnen verwendete Entwurfsmethode. Zentrale zusammengesetzte Entwürfe verwenden axiale Punkte, um die Terme zweiter Ordnung (nichtlineare Effekte) für einen bestimmten Faktor abzuschätzen. Sie können die Faktorstufe jederzeit auf einen praktischeren Wert ändern, nachdem Sie die Datentabelle erstellt haben. Die alte CCD-Methode ist nicht so flexibel. Bei der kundenspezifischen Konstruktion werden keine axialen Punkte für die Konstruktion verwendet und daher wird im Übrigen vermieden, dass der ursprüngliche Faktorbereich überschritten wird.
Warum sagen Sie, dass es bei RSM kein Aliasing oder Verwechseln von Begriffen gibt? Wie begründen Sie diese Behauptung? Ich glaube nicht, dass Sie die Bedeutung und Verwendung der Begriffe „Alias“ und „verwirrt“ verstehen. Außerdem machen solche Konzepte nur in den alten Entwurfsmethoden der faktoriellen Entwürfe Sinn. Korrelation ist ein allgemeinerer und umfassenderer Begriff, der sowohl für alte als auch für neue Designs gilt.
Die Aussage, dass Sie die Schätzeffizienz- und Leistungsanalyse verwenden werden, sobald Sie ein Modell ausgewählt haben, ist Unsinn. Sie werden verwendet, um einen Entwurf zu bewerten, bevor die Antwortdaten beobachtet werden. Das Modell wird nach Beobachtung der Reaktion ausgewählt. Zu diesem Zeitpunkt haben die Schätzungseffizienz und -leistung keine Bedeutung mehr.
Seien Sie vorsichtig mit der „Fenster des Interesses“-Denkweise. Ich hoffe, Sie meinen nicht, dass Sie Faktorbereiche so auswählen, dass sie dadurch eingeschränkt werden, wo die beste Einstellung erwartet wird. Dieser Ansatz führt normalerweise zu kleinen Effekten, die schwer abzuschätzen und zu testen sind.
Ich habe einen weiteren Hinweis auf die gemeinsame Verwendung von DSD und raumfüllenden Designs gesehen. Können Sie mir sagen, wo Sie diese Idee gefunden haben?
Viel Glück.
Betreff: RSM vs. DSD vs. Augmented DSD vs. Space Filled Augmented DSDVielen Dank, Mark, für die schnelle Antwort. Es ist schwierig, alles in ein paar Absätzen zu erklären, daher werde ich mein Bestes tun, um einige Ihrer Punkte zu beantworten.
- Das ist im ersten Fall ein beneidenswertes R-Quadrat-Ergebnis. Hat das Modell bestätigt?
- Frühere RSMs bestätigten gute vorhergesagte und angepasste r-Quadrat-Werte, die mit Testdaten übereinstimmten, sodass das halbfaktorielle Modell für unseren Zweck als großartig erachtet wurde.
- Was meinen Sie mit „Die Alpha-Punkte lassen sich leicht entwerfen“, „Die Grenzen sind harte Grenzen“ und „Gefährden entweder die Präzision oder die Abdeckung des gesamten interessierenden Designraums“?
- Was ich mit Alpha-Punkten meine, ist, dass Alpha-Punkte für ein CCC-Design „übertriebene“ Designs sind, die das Optimierungsfenster unterstützen, was für das vorherige RSM in Ordnung war, aber dieses neue Design ist komplizierter und die Verwendung dieser Alpha-Punkte ist komplizierter jetzt unmöglich. Angenommen, mein unterer Grenzwert für Faktor 4 ist 0, ein Alpha-Punkt würde einen negativen Wert erzeugen.
- Die Frage „wie viele Läufe oder welche Art alternativer Modelle“ vergleicht „Äpfel mit Birnen“. Die Stichprobengröße dient der Schätzbarkeit und Aussagekraft. Das Modell berücksichtigt Bias und Varianz. Was fragst du?
- Richtig, ich weiß, dass es bei RSMs kein Aliasing und keine verwirrenden Begriffe bis hin zu quadratischen Beziehungen gibt. Andererseits wird ein DSD mit erweitertem Design (raumgefüllt oder auf welche Weise auch immer) einige dieser Begriffe verwirren, ABER letztendlich immer noch die gleichen Werte wie ein RSM vorhersagen können.
- Du fragst " Wie kann ich lineare, bidirektionale Interaktionen und quadratische Terme mit alternativen Designs mit 27 Läufen oder weniger mit guter Sicherheit vorhersagen? " Die Schätzungseffizienz- und Leistungsanalyse kann Ihnen bei der Beantwortung dieser Frage helfen.
- Verstanden, ich werde das auf jeden Fall tun, sobald ich ein geeignetes Modell ausgewählt habe.
- Der DSD ist für Screening , also wird es nur dann erfolgreich sein, wenn die Screening-Grundsätze halten. Erwarten Sie beispielsweise, dass höchstens zwei der fünf Faktoren aktive Auswirkungen haben?
- Du sagst das " Es gibt Designs, die unmöglich zu machen sind. " Warum?
- Dies waren eher die Alpha-Punkte, aber wenn es innerhalb des interessierenden Fensters liegt und das Modell in der Lage ist, innerhalb dieses Fensters wirklich gute Vorhersagen zu treffen, dann sind wir goldrichtig! Ich weiß, dass es ein gewisses Maß an verwirrenden Begriffen geben wird, aber wenn es wie ein RSM mit großer Sicherheit vorhersagen kann, dann denke ich, dass es etwas ist, das ich gerne erforschen würde.
- Ich habe über DSD mit raumgefüllten DOE gelesen, um so etwas wie ein RSM zu erreichen, aber ich schätze, ich habe Angst, diesen Schritt zu wagen und es auszuprobieren, weil es eine große Zeitinvestition ist.
- Als Alternative, wie Sie sie vorgeschlagen haben, werde ich mit der benutzerdefinierten Designfunktion herumspielen, um zu sehen, welche Art von Leistungs- und Korrelationsmatrix im Vergleich zu den anderen abschneidet.
Vielen Dank, Mark, für deine Zeit!
-Carlos
Betreff: RSM vs. DSD vs. Augmented DSD vs. Space Filled Augmented DSDDu scheinst überall herumzuhüpfen! Beruhigen wir uns und fangen wir von vorne an.
Das ultimative Ziel ist die Anpassung an ein erfolgreiches Modell. Als Modell wählen Sie ein multiples Regressionsmodell mit einem linearen Prädiktor. Sie können beliebige Daten sammeln und ein solches Modell anpassen. Allerdings können Ihre Daten bei der Anpassung Probleme bereiten. Der Entwurf versucht also, die besten Daten für das lineare Modell zu finden. Das Design ist jedoch nicht unveränderlich.
Auch die Designprinzipien sind unumgänglich. Die Entwurfsmethoden sind austauschbar. Ich empfehle kundenspezifisches Design, da es eine moderne Methode ist, die die größte Flexibilität bietet. Und wenn es zu einem Design mit unpraktischen oder unmöglichen Behandlungen kommt, ändere sie einfach .
Lassen Sie uns über Ihre Situation sprechen.
- Das ist im ersten Fall ein beneidenswertes R-Quadrat-Ergebnis. Hat das Modell bestätigt?
- Was meinen Sie mit „Die Alpha-Punkte lassen sich leicht entwerfen“, „Die Grenzen sind harte Grenzen“ und „Gefährden entweder die Präzision oder die Abdeckung des gesamten interessierenden Designraums“?
- Die Frage „wie viele Läufe oder welche Art alternativer Modelle“ vergleicht „Äpfel mit Birnen“. Die Stichprobengröße dient der Schätzbarkeit und Aussagekraft. Das Modell berücksichtigt Bias und Varianz. Was fragst du?
- Du fragst " Wie kann ich lineare, bidirektionale Interaktionen und quadratische Terme mit alternativen Designs mit 27 Läufen oder weniger mit guter Sicherheit vorhersagen? " Die Schätzungseffizienz- und Leistungsanalyse kann Ihnen bei der Beantwortung dieser Frage helfen.
- Der DSD ist für Screening , daher wird es nur dann erfolgreich sein, wenn die Screening-Grundsätze halten. Erwarten Sie beispielsweise, dass höchstens zwei der fünf Faktoren aktive Auswirkungen haben?
- Du sagst das " Es gibt Designs, die unmöglich zu machen sind. " Warum?
