RSM vs DSD vs DSD augmenté vs DSD augmenté rempli d'espaceBonjour la communauté,
Je tends la main parce que, actuellement dans un dilemme quant au modèle à adopter. J'ai déjà exécuté un CCC RSM à 5 facteurs et j'ai construit avec succès des relations quadratiques avec des valeurs R au carré supérieures à 0,95. Génial, non ? Il s'agissait également d'un plan demi-factoriel, donc 27 exécutions (1 point central, puisqu'il s'agit de simulations).
Cette fois-ci, je prévois d'exécuter un autre RSM ou DOE à 5 facteurs. La mise en garde est qu'avec le RSM précédent, les points alpha étaient faciles à concevoir. Cette fois-ci, ce n’est pas le cas, les limites sont strictes. J'ai envisagé un CCF ou un CCI (inscrit), mais ces deux-là présentent des risques soit en termes de précision, soit en termes de couverture de l'ensemble de l'espace de conception d'intérêt.
Question : Combien d'essais ou quel type de modèles alternatifs recommanderiez-vous à un CCC ? Comment puis-je prédire les interactions linéaires bidirectionnelles et les termes quadtratiques avec des plans alternatifs égaux à 27 exécutions ou moins avec une bonne confiance ? J'ai peur d'utiliser DSD ou DSD augmenté ou peut-être même un DSD avec DOE rempli d'espace augmenté en raison des différences dans la matrice de corrélation par rapport au RSM traditionnel.
CCC est hors de propos car il existe des designs impossibles à réaliser.
Merci les gars!
Re: RSM vs DSD vs DSD augmenté vs DSD augmenté rempli d'espacePO,
Je suis un peu confus par vos déclarations et demandes. Mark a posé d'excellentes questions. J'espère que cela ne vous dérange pas, mais j'ai d'autres commentaires/questions et réflexions personnelles.
Il est extrêmement difficile de donner des conseils sans comprendre la situation. Quelles variables de réponse essayez-vous d’optimiser ? Quels facteurs sont manipulés (et quelles sont les hypothèses associées au choix de ces facteurs ?) C'est une simulation que vous exécutez, n'est-ce pas ? Comment simulez-vous le bruit ? Sachez que la simulation contient un algorithme programmé. Si les facteurs que vous manipulez ne figurent pas dans cet algorithme, ils apparaîtront comme insignifiants. Qui a écrit le logiciel de simulation ? Dans quelle mesure êtes-vous sûr que la simulation prédit la réalité ? Les carrés R ne racontent PAS toute l’histoire. Les carrés R augmenteront chaque fois que vous ajouterez des degrés de liberté au modèle. Je serais intéressé par le delta entre R-carré et R-carré ajusté. Le carré R ajusté doit être votre valeur signalée par défaut. S’il s’agit d’une simulation, pourquoi vous souciez-vous de réduire les exécutions ? Vous manquez de puissance de calcul ?
En pensant à l'expérimentation séquentielle (méthode de surface de réponse du Dr Box), vous pouvez commencer par des conceptions de dépistage (grand nombre de x, variables prédictives) pour réduire le nombre de facteurs significatifs (intérêt). Ceci est basé sur les principes de rareté et de hiérarchie des effets. Ensuite, vous parcourez ceux qui manifestent de l'intérêt (par exemple, des modèles pratiquement significatifs et intéressants dans les données, inhabituels par rapport à vos prédictions). En fin de compte, vous souhaiterez peut-être optimiser et créer un polynôme prédictif (qui peut être utile dans le monde réel, pas dans la simulation). Remarque : les modèles complexes et non linéaires sont difficiles à prévoir et à gérer. Si vous êtes vraiment dans l'espace optimal, alors peut-être que quelque chose comme l'opération évolutive (EVOP) pourrait être une meilleure stratégie.
Acclamations,
Facture
Re: RSM vs DSD vs DSD augmenté vs DSD augmenté rempli d'espaceMerci Mark, je pense que la minimisation de la corrélation était fondamentale. Je les compare actuellement côte à côte à l'approche ad hoc. La conception personnalisée est nettement inférieure à celle du DSD augmenté, ce qui me donne confiance pour essayer cette approche.
Merci encore pour votre temps! Au plaisir d’en apprendre davantage grâce à votre logiciel et à ces forums !Re: RSM vs DSD vs DSD augmenté vs DSD augmenté rempli d'espaceAucun problème. Je veux juste être clair.
Certaines conceptions composites centrales fournissent des exécutions qui éliminent les alias du modèle, mais pas toutes. La conception personnalisée minimisera ou éliminera la corrélation entre les estimations. Vous disposez également d'un choix de critères d'optimalité et d'informations d'évaluation de conception à prendre en compte avant de vous engager dans une conception particulière.
Je ne recommande pas d'augmenter un DSD avec une conception remplissant l'espace. Tout d’abord, l’un des principaux avantages de l’utilisation d’un DSD est qu’une augmentation ne devrait pas être nécessaire si les principes de dépistage sont respectés. Deuxièmement, l’ajout des exécutions d’une conception remplissant l’espace est une approche ad hoc qui n’exploite aucune information sur la conception originale (DSD). Enfin, il existe une approche dirigée et raisonnée : Augment Design. Cette plate-forme est essentiellement une conception personnalisée, mais elle commence par des exécutions d'une expérience précédente et complète ces exécutions à mesure que vous modifiez les paramètres (gammes de facteurs, termes du modèle, etc.).
Re: RSM vs DSD vs DSD augmenté vs DSD augmenté rempli d'espaceMarque,
Merci d'avoir clarifié cette terminologie.
Ce que j'entends par "fenêtre d'intérêt", c'est la seule fenêtre dans laquelle nous pouvons créer des designs. Je suppose qu'après avoir utilisé Design Expert et configuré des RSM, vous pouvez évaluer votre conception et, sur la base du CCD classique, aucun terme d'alias n'est trouvé pour les termes de 1er et 2ème ordre. Je pense que c'est ce qui a donné naissance à cette terminologie que j'ai l'habitude d'utiliser et qui peut prêter à confusion.
Le DSD + Space Filling, j'ai lu sur les avantages du remplissage d'espace pour les simulations informatiques, mais un simple remplissage d'espace coûte cher en fonction de la règle "10N" où N est le nombre de facteurs. La combinaison du DSD et du remplissage d'espace a été suggérée par un collègue, c'est pourquoi je voulais tendre la main et avoir une idée si c'était une voie.
Au fait, j'aime beaucoup le design personnalisé, alors merci pour cette suggestion, c'est très simple à utiliser sur JMP. Design Expert dispose d'une fonctionnalité de conception personnalisée mais les contraintes sont difficiles à définir.
Mark, j'apprécie vraiment vos réponses ! Vraiment excité de mieux les comprendre.
-Carlos
Re: RSM vs DSD vs DSD augmenté vs DSD augmenté rempli d'espaceJe considère que « bon confirmé prédit » signifie que vous avez prédit une nouvelle réponse dans des conditions non testées auparavant avec votre modèle et que le résultat n'a pas contredit la prédiction.
Les points axiaux (et non les « points alpha ») sont propres à la méthode de conception que vous avez utilisée. Les plans composites centraux utilisent des points axiaux pour estimer les termes de second ordre (effets non linéaires) pour un facteur particulier. Vous pouvez toujours modifier le niveau de facteur en une valeur plus pratique après avoir créé le tableau de données. L'ancienne méthode CCD n'est pas si flexible. La conception personnalisée n'utilise pas de points axiaux pour la construction et évite donc de dépasser la plage de facteurs d'origine.
Pourquoi dites-vous qu’il n’y a pas d’alias ou de confusion de termes avec RSM ? Comment justifiez-vous cette affirmation ? Je ne pense pas que vous compreniez la signification et l'utilisation des termes « alias » et « confondu ». De plus, de tels concepts n’ont de sens que dans les anciennes méthodes de plan factoriel. La corrélation est un terme plus général et inclusif qui s'applique à la fois aux anciennes conceptions et aux nouvelles conceptions.
L'affirmation selon laquelle vous utiliserez l'efficacité de l'estimation et l'analyse de puissance une fois que vous aurez choisi un modèle est absurde. Ils sont utilisés pour évaluer une conception avant d’observer les données de réponse. Le modèle est sélectionné après avoir observé la réponse, auquel cas l'efficacité et la puissance de l'estimation n'ont aucune signification.
Soyez prudent avec la mentalité de « fenêtre d’intérêt ». J'espère que vous ne voulez pas dire que vous sélectionnez des plages de facteurs de manière à ce qu'elles soient limitées par l'endroit où le meilleur réglage est attendu. Cette approche produit généralement de petits effets difficiles à estimer et à tester.
J'ai vu une autre référence à l'utilisation conjointe de DSD et de conceptions remplissant l'espace. Pouvez-vous me dire où vous avez trouvé cette idée ?
Bonne chance.
Re: RSM vs DSD vs DSD augmenté vs DSD augmenté rempli d'espaceMerci Mark pour la réponse rapide, il est difficile de tout expliquer en quelques paragraphes, je ferai donc de mon mieux pour répondre à certains des points que vous avez soulevés.
- C’est un résultat R carré enviable dans le premier cas. Le modèle a-t-il confirmé ?
- Les RSM précédents ont confirmé de bonnes valeurs du r carré prédites et ajustées qui concordaient avec les données de test, de sorte que le modèle semi-factoriel a été jugé idéal pour notre objectif.
- Qu'entendez-vous par « les points alpha sont faciles à concevoir », « les limites sont des limites strictes » et « présentent des risques en termes de précision ou de couverture de l'ensemble de l'espace de conception d'intérêt ?
- Ce que je veux dire par points alpha, c'est que, pour une conception CCC, les points alpha sont des conceptions "exagérées" qui facilitent la fenêtre d'optimisation, ce qui était bien pour le RSM précédent, mais dans ce nouveau modèle, la conception est plus compliquée et accéder à ces points alpha est désormais impossible. Supposons que ma limite inférieure pour le facteur 4 soit 0, un point alpha générerait une valeur négative.
- Demander « combien de courses ou quel type de modèles alternatifs », c'est comparer « des pommes avec des oranges ». La taille de l’échantillon est à prendre en compte dans un souci d’estimabilité et de puissance. Le modèle prend en compte le biais et la variance. Que demandez-vous?
- D'accord, je sais qu'avec les RSM, il n'y a pas d'alias ni de termes confondants jusqu'aux relations quadratiques. D'un autre côté, un DSD avec une conception augmentée (rempli d'espace ou de quelque manière que ce soit) confondra certains de ces termes, MAIS en fin de compte, il pourra toujours prédire les mêmes valeurs qu'un RSM.
- Tu demandes " comment puis-je prédire les interactions linéaires bidirectionnelles et les termes quadratiques avec des conceptions alternatives égales à 27 exécutions ou moins avec une bonne confiance ? " L’estimation de l’efficacité et de l’analyse de puissance peut vous aider à répondre à cette question.
- Compris, je m'assurerai de le faire une fois que j'aurai choisi un modèle approprié.
- Le DSD est pour dépistage , donc cela ne réussira que si le principes de dépistage prise. Par exemple, pensez-vous qu’au plus deux des cinq facteurs auront des effets actifs ?
- Vous dites que " il y a des designs impossibles à réaliser. " Pourquoi?
- Celui-ci correspondait davantage aux points alpha, mais s'il se situe à l'intérieur de la fenêtre d'intérêt et que le modèle est capable de très bien prédire dans cette fenêtre, alors nous sommes en or ! Je sais qu'il y aura un certain degré de termes déroutants, mais s'il est capable de prédire avec une grande confiance comme un RSM, alors je pense que c'est quelque chose que j'aimerais explorer.
- J'ai lu sur DSD avec un DOE rempli d'espace pour réaliser quelque chose comme un RSM, mais je suppose que j'ai peur de franchir cette étape et de l'essayer car c'est un gros investissement de temps.
- Une alternative comme vous l'avez suggérée, je vais jouer avec la fonctionnalité de conception personnalisée pour voir quel type de matrice de puissance et de corrélation se compare aux autres.
Merci Marc pour ton temps !
-Carlos
Re: RSM vs DSD vs DSD augmenté vs DSD augmenté rempli d'espaceVous semblez rebondir partout ! Calmons-nous et recommençons.
Le but ultime est de s’adapter à un modèle réussi. Votre choix de modèle est un modèle de régression multiple utilisant un prédicteur linéaire. Vous pouvez collecter toutes les données de votre choix et adapter un tel modèle. Vos données peuvent cependant poser des problèmes d'ajustement. La conception tente donc de trouver les meilleures données pour le modèle linéaire. Le design n’est cependant pas immuable.
De plus, les principes de conception sont incontournables. Les méthodes de conception sont interchangeables. Je recommande la conception personnalisée car c’est une méthode moderne qui offre le plus de flexibilité. Et si cela donne un design avec des traitements peu pratiques ou impossibles, change-les simplement .
Parlons de votre situation.
- C’est un résultat R carré enviable dans le premier cas. Le modèle a-t-il confirmé ?
- Qu'entendez-vous par « les points alpha sont faciles à concevoir », « les limites sont des limites strictes » et « présentent des risques en termes de précision ou de couverture de l'ensemble de l'espace de conception d'intérêt ?
- Demander « combien de courses ou quel type de modèles alternatifs », c'est comparer « des pommes avec des oranges ». La taille de l’échantillon est à prendre en compte dans un souci d’estimabilité et de puissance. Le modèle prend en compte le biais et la variance. Que demandez-vous?
- Tu demandes " comment puis-je prédire les interactions linéaires bidirectionnelles et les termes quadratiques avec des conceptions alternatives égales à 27 exécutions ou moins avec une bonne confiance ? " L’estimation de l’efficacité et de l’analyse de puissance peut vous aider à répondre à cette question.
- Le DSD est pour dépistage , donc cela ne réussira que si le principes de dépistage prise. Par exemple, pensez-vous qu’au plus deux des cinq facteurs auront des effets actifs ?
- Vous dites que " il y a des designs impossibles à réaliser. " Pourquoi?
