RSM frente a DSD frente a DSD aumentada frente a DSD aumentada llena de espacioHola comunidad,
Extendiendo la mano porque, actualmente, nos encontramos ante un dilema sobre con qué modelo proceder. Anteriormente ejecuté un CCC RSM de 5 factores y construí con éxito relaciones cuadráticas con valores de R cuadrado superiores a 0,95. Impresionante ¿verdad? Además fue un diseño medio factorial es decir 27 corridas (1 punto central, ya que son simulaciones).
Esta vez, planeo ejecutar otro RSM o DOE de 5 factores. La advertencia es que con el RSM anterior los puntos alfa se diseñaban fácilmente. Esta vez ese no es el caso, los límites son límites estrictos. He considerado un CCF o CCI (inscrito), sin embargo, estos dos plantean riesgos de precisión o de cobertura de todo el espacio de diseño de interés.
Pregunta: ¿Cuántas tiradas o qué tipo de modelos alternativos recomendaría a un CCC? ¿Cómo puedo predecir interacciones lineales bidireccionales y términos cuadráticos con diseños alternativos con 27 ejecuciones o menos con buena confianza? Tengo miedo de usar DSD o DSD aumentado o posiblemente incluso un DSD con DOE lleno de espacio aumentado debido a las diferencias en la matriz de correlación en comparación con el RSM tradicional.
CCC está fuera de escena porque hay diseños que son imposibles de realizar.
¡Gracias chicos!
Re: RSM vs DSD vs DSD Aumentado vs DSD Aumentado con Espacio LlenoOP,
Estoy un poco confundido por sus declaraciones y solicitudes. Mark ha hecho algunas preguntas interesantes. Espero que no te importe, pero tengo otros comentarios/preguntas y reflexiones personales.
Es extremadamente difícil brindar asesoramiento sin comprender la situación. ¿Qué variables de respuesta estás intentando optimizar? ¿Qué factores se están manipulando (y cuáles son las hipótesis asociadas con la elección de esos factores?). Esta es la simulación que estás ejecutando, ¿es correcto? ¿Cómo estás simulando el ruido? Tenga en cuenta que la simulación tiene un algoritmo programado. Si los factores que está manipulando no están en ese algoritmo, se mostrarán como insignificantes. ¿Quién escribió el software de simulación? ¿Qué tan seguro estás de que la simulación predice la realidad? Los cuadrados R NO cuentan toda la historia. Los R cuadrados aumentarán cada vez que agregue grados de libertad al modelo. Me interesaría conocer el delta entre R-cuadrado y R-cuadrado ajustado. El R cuadrado ajustado debe ser el valor informado predeterminado. Si esto es una simulación, ¿por qué le importa reducir las ejecuciones? ¿Te falta potencia informática?
Pensando en la experimentación secuencial (Método de superficie de respuesta del Dr. Box), podría comenzar con diseños de detección (gran número de x, variables predictoras) para reducir el número de factores de importancia (interés). Esto se basa en los principios de escasez y jerarquía de efectos. Luego, repite aquellos que muestran interés (por ejemplo, patrones interesantes y prácticamente significativos en los datos, inusuales en comparación con sus predicciones). En última instancia, es posible que desee optimizar y crear algún polinomio predictivo (uno que pueda ser útil en el mundo real, no en la simulación). Nota: los modelos complejos y no lineales son difíciles de predecir y gestionar. Si realmente se encuentra en el espacio óptimo, entonces quizás algo como Operación Evolutiva (EVOP) podría ser una mejor estrategia.
Salud,
Factura
Re: RSM vs DSD vs DSD Aumentado vs DSD Aumentado con Espacio LlenoGracias Mark, creo que la minimización de la correlación fue fundamental. Los estoy comparando uno al lado del otro en este momento con el enfoque ad hoc en este momento. El diseño personalizado es significativamente menor que el DSD aumentado, lo que me da confianza para probar este enfoque.
¡Gracias de nuevo por tu tiempo! ¡Esperamos aprender más a través de su software y estos foros!Re: RSM vs DSD vs DSD Aumentado vs DSD Aumentado con Espacio LlenoNingún problema. Sólo quiero ser claro.
Algunos diseños compuestos centrales proporcionan ejecuciones que eliminan los alias del modelo, pero no todos. El diseño personalizado minimizará o eliminará la correlación entre estimaciones. También puede elegir entre criterios de optimización e información de evaluación del diseño para considerar antes de comprometerse con un diseño en particular.
No recomiendo aumentar un DSD con un diseño que ocupe espacio. En primer lugar, uno de los principales beneficios de utilizar un DSD es que el aumento no debería ser necesario si se cumplen los principios de detección. En segundo lugar, agregar las corridas de un diseño que llena el espacio es un enfoque ad hoc que no aprovecha ninguna información sobre el diseño original (DSD). Finalmente, existe un enfoque dirigido y basado en principios: Augment Design. Esta plataforma es esencialmente un diseño personalizado, pero comienza con ejecuciones de un experimento anterior y las complementa a medida que cambia los parámetros (rangos de factores, términos del modelo, etc.).
Re: RSM vs DSD vs DSD Aumentado vs DSD Aumentado con Espacio LlenoMarca,
Gracias por aclarar esa terminología.
A lo que me refiero es la “ventana de interés” como la única ventana en la que podemos crear diseños. Supongo que después de usar Design Expert y configurar RSM, puede evaluar su diseño y, según el CCD clásico, no se encuentran términos de alias para los términos de primer y segundo orden. Creo que de eso surgió esa terminología que estoy acostumbrado a usar y que tal vez me confunde.
He estado leyendo sobre los beneficios del relleno espacial DSD + para simulaciones computacionales; sin embargo, un relleno puramente espacial es costoso según la regla "10N", donde N es el número de factores. La combinación de DSD y llenado de espacio fue sugerida por un colega, por lo que quería acercarme y tener una idea de si ese es un camino.
Por cierto, me gusta mucho el diseño personalizado, así que gracias por esa sugerencia, es muy sencillo de usar en JMP. Design Expert tiene una función de diseño personalizado, pero las restricciones son difíciles de establecer.
Marcos, ¡realmente aprecio tus respuestas! Realmente emocionado de entenderlos mejor.
-carlos
Re: RSM vs DSD vs DSD Aumentado vs DSD Aumentado con Espacio LlenoEntiendo que "buena predicción confirmada" significa que predijo una nueva respuesta en una condición no probada previamente con su modelo y el resultado no contradijo la predicción.
Los puntos axiales (no los "puntos alfa") son exclusivos del método de diseño que utilizó. Los diseños compuestos centrales utilizan puntos axiales para estimar los términos de segundo orden (efectos no lineales) para un factor en particular. Siempre puedes cambiar el nivel del factor a un valor más práctico después de crear la tabla de datos. El antiguo método CCD no es tan flexible. El diseño personalizado no utiliza puntos axiales para la construcción y, por cierto, evita exceder el rango de factor original.
¿Por qué dice que no hay alias ni confusión de términos con RSM? ¿Cómo justifica esta afirmación? No creo que comprenda el significado y el uso de los términos "alias" y "confundido". Además, estos conceptos sólo tienen sentido en los antiguos métodos de diseño de diseños factoriales. La correlación es un término más general e inclusivo que se aplica tanto a los diseños antiguos como a los nuevos.
La afirmación de que utilizará la estimación de eficiencia y análisis de potencia una vez que elija un modelo no tiene sentido. Se utilizan para evaluar un diseño antes de observar los datos de respuesta. El modelo se selecciona después de observar la respuesta, momento en el que la eficiencia y la potencia de estimación no tienen significado.
Tenga cuidado con la mentalidad de "ventana de interés". Espero que no quiera decir que seleccione rangos de factores de manera que estén limitados por el lugar donde se espera la mejor configuración. Este enfoque suele producir efectos pequeños que son difíciles de estimar y probar.
He visto otra referencia al uso conjunto de DSD y diseños que llenan el espacio. ¿Puedes decirme dónde encontraste esta idea?
Toda la suerte.
Re: RSM vs DSD vs DSD Aumentado vs DSD Aumentado con Espacio LlenoGracias Mark por la rápida respuesta. Es difícil explicar todo en unos pocos párrafos, así que haré todo lo posible para responder algunos de los puntos que planteaste.
- Se trata de un resultado de R cuadrado envidiable en el primer caso. ¿Lo confirmó el modelo?
- Los RSM anteriores confirmaron buenos valores de r cuadrado predichos y ajustados que se alinearon con los datos de prueba, por lo que el modelo medio factorial se consideró excelente para nuestro propósito.
- ¿Qué quiere decir con "los puntos alfa se diseñan fácilmente", "los límites son límites estrictos" y "presentan riesgos para la precisión o para cubrir todo el espacio de diseño de interés?"
- Lo que quiero decir con puntos alfa es que, para un diseño CCC, los puntos alfa son diseños "exagerados" que ayudan a la ventana de optimización que estaba bien para el RSM anterior, pero en este nuevo, el diseño es más complicado e ir a esos puntos alfa es ahora imposible. Digamos que mi límite inferior para el factor 4 es 0, un punto alfa generaría un valor negativo.
- Preguntar "cuántas tiradas o qué tipo de modelos alternativos" es comparar "manzanas con naranjas". El tamaño de la muestra es una consideración en aras de la estimabilidad y el poder. El modelo es una consideración sobre el sesgo y la varianza. ¿Que estas preguntando?
- Muy bien, sé que con los RSM no hay alias ni términos de confusión hasta relaciones cuadráticas. Por otro lado, un DSD con diseño aumentado (espacio lleno o de cualquier forma) confundirá algunos de esos términos, PERO en última instancia aún puede predecir los mismos valores que un RSM.
- Usted pregunta " ¿Cómo puedo predecir interacciones lineales bidireccionales y términos cuadráticos con diseños alternativos con 27 ejecuciones o menos con buena confianza? " El análisis de potencia y eficiencia de estimación puede ayudarle a responder esa pregunta.
- Entendido. Me aseguraré de hacer esto una vez que elija un modelo apropiado.
- El DSD es para poner en pantalla , por lo que tendrá éxito sólo si el principios de detección sostener. Por ejemplo, ¿espera que como máximo dos de los cinco factores tengan efectos activos?
- Tu dices eso " Hay diseños que son imposibles de realizar. " ¿Por qué?
- Este era más puntos alfa, pero si está dentro de la ventana de interés y el modelo es capaz de predecir muy bien dentro de esa ventana, ¡entonces estamos dorados! Sé que habrá cierto grado de términos confusos, pero si es capaz de predecir con gran confianza como un RSM, entonces creo que es algo que me encantaría explorar.
- He estado leyendo sobre DSD con DOE lleno de espacio para lograr algo así como un RSM, pero supongo que tengo miedo de dar ese paso y probarlo porque es una gran inversión de tiempo.
- Una alternativa como la que sugirió: jugaré con la función de diseño personalizado para ver qué tipo de matriz de potencia y correlación se compara con las demás.
¡Gracias Marcos por tu tiempo!
-carlos
Re: RSM vs DSD vs DSD Aumentado vs DSD Aumentado con Espacio Lleno¡Pareces estar rebotando por todos lados! Calmémonos y empecemos de nuevo.
El objetivo final es adaptar un modelo exitoso. Su elección de modelo es un modelo de regresión múltiple que utiliza un predictor lineal. Puede recopilar cualquier dato que desee y ajustarse a dicho modelo. Sin embargo, sus datos pueden plantear problemas de adaptación. Entonces el diseño intenta encontrar los mejores datos para el modelo lineal. Sin embargo, el diseño no es inmutable.
Además, los principios de diseño son ineludibles. Los métodos de diseño son intercambiables. Recomiendo el diseño personalizado porque es un método moderno que ofrece la mayor flexibilidad. Y si arroja un diseño con tratamientos poco prácticos o imposibles, solo cambialos .
Hablemos de tu situación.
- Se trata de un resultado de R cuadrado envidiable en el primer caso. ¿Lo confirmó el modelo?
- ¿Qué quiere decir con "los puntos alfa se diseñan fácilmente", "los límites son límites estrictos" y "presentan riesgos para la precisión o para cubrir todo el espacio de diseño de interés?"
- Preguntar "cuántas tiradas o qué tipo de modelos alternativos" es comparar "manzanas con naranjas". El tamaño de la muestra es una consideración en aras de la estimabilidad y el poder. El modelo es una consideración sobre el sesgo y la varianza. ¿Que estas preguntando?
- Usted pregunta " ¿Cómo puedo predecir interacciones lineales bidireccionales y términos cuadráticos con diseños alternativos con 27 ejecuciones o menos con buena confianza? " El análisis de potencia y eficiencia de estimación puede ayudarle a responder esa pregunta.
- El DSD es para poner en pantalla , por lo que tendrá éxito sólo si el principios de detección sostener. Por ejemplo, ¿espera que como máximo dos de los cinco factores tengan efectos activos?
- Tu dices eso " Hay diseños que son imposibles de realizar. " ¿Por qué?
