RSM vs DSD vs DSD aumentato vs DSD aumentato riempito di spazioCiao comunità,
Raggiungere perché, attualmente in un dilemma su quale modello procedere. Ho eseguito in precedenza un CCC RSM a 5 fattori e ho costruito con successo relazioni quadratiche con valori R quadrato superiori a 0,95. Fantastico vero? Inoltre si trattava di un disegno semi-fattoriale, quindi 27 esecuzioni (1 punto centrale, poiché sono simulazioni).
Questa volta, ho intenzione di eseguire un altro RSM o DOE a 5 fattori. L'avvertenza è che con il precedente RSM i punti alfa erano facilmente disegnabili. Questa volta non è così, i limiti sono rigidi. Ho considerato un CCF o un CCI (inscritto), tuttavia questi due comportano rischi in termini di precisione o di copertura dell'intero spazio di progettazione di interesse.
Domanda: quante corse o che tipo di modelli alternativi consiglieresti a un CCC? Come posso prevedere interazioni lineari, bidirezionali e termini quadratici con disegni alternativi con pari o inferiore a 27 esecuzioni con buona sicurezza? Ho paura di utilizzare DSD o DSD aumentato o forse anche un DSD con DOE pieno di spazio aumentato a causa delle differenze nella matrice di correlazione rispetto al tradizionale RSM.
CCC è fuori dai giochi perché ci sono progetti impossibili da realizzare.
Grazie ragazzi!
Ri: RSM vs DSD vs DSD aumentato vs DSD aumentato riempito di spazioOPERAZIONE,
Sono un po' confuso dalle tue dichiarazioni e richieste. Mark ha posto alcune domande interessanti. Spero non ti dispiaccia, ma ho altri commenti/domande e riflessioni personali.
È estremamente difficile dare consigli senza comprendere la situazione. Quali variabili di risposta stai cercando di ottimizzare? Quali fattori vengono manipolati (e quali sono le ipotesi associate alla scelta di tali fattori?) Questa è la simulazione che stai eseguendo, è corretto? Come stai simulando il rumore? Renditi conto che la simulazione ha un algoritmo programmato al suo interno. Se i fattori che stai manipolando non sono presenti nell'algoritmo, verranno visualizzati come insignificanti. Chi ha scritto il software di simulazione? Quanto sei sicuro che la simulazione preveda la realtà? I quadrati R NON raccontano l'intera storia. I quadrati R aumenteranno ogni volta che aggiungi gradi di libertà al modello. Sarei interessato al delta tra R-quadrato e R-quadrato modificato. L'R quadrato aggiustato dovrebbe essere il valore riportato predefinito. Se questa è una simulazione, perché ti preoccupi di ridurre le tirature? Ti manca la potenza di calcolo?
Pensando alla sperimentazione sequenziale (metodo della superficie di risposta del Dr. Box), potresti iniziare con progetti di screening (un gran numero di x, variabili predittive) per ridurre il numero di fattori significativi (interesse). Questo si basa sui principi di Scarsità e Gerarchia degli Effetti. Quindi ripeti su quelli che mostrano interesse (ad esempio, modelli praticamente significativi e interessanti nei dati, insoliti rispetto alle tue previsioni). Alla fine potresti voler ottimizzare e creare un polinomio predittivo (uno che possa essere utile nel mondo reale, non nella simulazione). Nota: i modelli complessi e non lineari sono difficili da prevedere e gestire. Se ti trovi veramente nello spazio ottimale, allora forse qualcosa come l’Operazione Evolutiva (EVOP) potrebbe essere una strategia migliore.
Saluti,
Conto
Ri: RSM vs DSD vs DSD aumentato vs DSD aumentato riempito di spazioGrazie Mark, penso che la minimizzazione della correlazione sia stata fondamentale. Li sto confrontando fianco a fianco in questo momento con l'approccio ad hoc in questo momento. Il design personalizzato è significativamente inferiore a quello dell'Augmented DSD, il che mi dà fiducia nel provare questo approccio.
Grazie ancora per il tuo tempo! Non vedo l'ora di saperne di più attraverso il tuo software e questi forum!Ri: RSM vs DSD vs DSD aumentato vs DSD aumentato riempito di spazioNessun problema. Voglio solo essere chiaro.
Alcuni progetti compositi centrali forniscono esecuzioni che eliminano gli alias dal modello, ma non tutti. La progettazione personalizzata minimizzerà o eliminerà la correlazione tra le stime. Puoi anche scegliere il criterio di ottimalità e le informazioni sulla valutazione del progetto da considerare prima di impegnarti in un progetto particolare.
Non consiglio di aumentare un DSD con un design che riempie lo spazio. Innanzitutto, uno dei maggiori vantaggi derivanti dall’utilizzo di un DSD è che l’aumento non dovrebbe essere necessario se valgono i principi di screening. In secondo luogo, aggiungere le sequenze di un progetto che riempie lo spazio è un approccio ad hoc che non sfrutta alcuna informazione sul progetto originale (DSD). Infine, esiste un approccio diretto e basato su principi: l’Augment Design. Questa piattaforma è essenzialmente una progettazione personalizzata, ma inizia con le esecuzioni di un esperimento precedente e le integra man mano che si modificano i parametri (intervalli di fattori, termini del modello e così via).
Ri: RSM vs DSD vs DSD aumentato vs DSD aumentato riempito di spazioSegno,
Grazie per aver chiarito quella terminologia.
Per "finestra di interesse" intendo l'unica finestra in cui possiamo creare progetti. Suppongo che dopo aver utilizzato Design Expert e impostato RSM sia possibile valutare il proprio progetto e, in base al CCD classico, non vengono trovati termini di aliasing per i termini di 1° e 2° ordine. Penso che questo sia ciò che ha dato origine a quella terminologia che sono stato abituato a usare e che forse crea confusione.
Il DSD + Space Filling, ho letto dei vantaggi del riempimento dello spazio per le simulazioni computazionali, tuttavia il semplice riempimento dello spazio è costoso in base alla regola "10N" dove N è il numero di fattori. La combinazione di DSD e riempimento dello spazio è stata suggerita da un collega, motivo per cui ho voluto contattarlo e capire se questo è un percorso.
A proposito, mi piace molto il design personalizzato, quindi grazie per il suggerimento, è semplicissimo da usare su JMP. Design Expert dispone di una funzionalità di progettazione personalizzata ma i vincoli sono difficili da impostare.
Marco, apprezzo molto le tue risposte! Davvero entusiasta di capirli meglio.
-Carlos
Ri: RSM vs DSD vs DSD aumentato vs DSD aumentato riempito di spazioPresumo che "previsione buona confermata" significhi che hai previsto una nuova risposta in una condizione precedentemente non testata con il tuo modello e che il risultato non ha contraddetto la previsione.
I punti assiali (non i "punti alfa") sono specifici del metodo di progettazione utilizzato. I progetti compositi centrali utilizzano punti assiali per stimare i termini di secondo ordine (effetti non lineari) per un particolare fattore. Puoi sempre modificare il livello del fattore su un valore più pratico dopo aver creato la tabella dei dati. Il vecchio metodo CCD non è così flessibile. La progettazione personalizzata non utilizza punti assiali per la costruzione e pertanto evita di superare l'intervallo di fattori originale.
Perché dici che non vi è alcun aliasing o confusione di termini con RSM? Come giustifichi questa affermazione? Non credo che tu capisca il significato e l'uso dei termini "alias" e "confuso". Inoltre, tali concetti hanno senso solo nei vecchi metodi di progettazione fattoriali. La correlazione è un termine più generale e inclusivo che si applica sia ai vecchi progetti che ai nuovi progetti.
L'affermazione secondo cui utilizzerai l'efficienza di stima e l'analisi della potenza una volta scelto un modello non ha senso. Vengono utilizzati per valutare un progetto prima di osservare i dati di risposta. Il modello viene selezionato dopo aver osservato la risposta, a quel punto l'efficienza e la potenza della stima non hanno alcun significato.
Fai attenzione alla mentalità della "finestra di interesse". Spero che tu non intenda selezionare intervalli di fattori in modo che siano limitati da dove è prevista l'impostazione migliore. Questo approccio di solito produce piccoli effetti difficili da stimare e testare.
Ho visto un altro riferimento all'uso combinato di DSD e progetti di riempimento dello spazio. Puoi dirmi dove hai trovato questa idea?
Buona fortuna.
Ri: RSM vs DSD vs DSD aumentato vs DSD aumentato riempito di spazioGrazie Mark per la rapida risposta, è difficile spiegare tutto in pochi paragrafi, quindi farò del mio meglio per rispondere ad alcuni dei punti che hai sollevato.
- Questo è un risultato R quadrato invidiabile nel primo caso. Il modello ha confermato?
- I precedenti RSM hanno confermato buoni valori r-quadrati previsti e corretti che erano in linea con i dati dei test, quindi il modello semifattoriale è stato ritenuto ottimo per il nostro scopo.
- Cosa intendi con "i punti alfa sono facilmente progettati", "i limiti sono limiti rigidi" e "presentano rischi sulla precisione o sulla copertura dell'intero spazio di progettazione di interesse?"
- Ciò che intendo per punti alfa è che, per un progetto CCC, i punti alfa sono disegni "esagerati" che aiutano la finestra di ottimizzazione che andava bene per il precedente RSM ma in questo nuovo, il progetto è più complicato e andare a quei punti alfa è ora impossibile. Supponiamo che il mio limite inferiore per il fattore 4 sia 0, un punto alfa genererebbe un valore negativo.
- Chiedere "quante tirature o che tipo di modelli alternativi" significa paragonare "le mele alle arance". La dimensione del campione è una considerazione per motivi di stimabilità e potere. Il modello è una considerazione su bias e varianza. Cosa stai chiedendo?
- Giusto, so che con gli RSM non ci sono aliasing e nessun termine confuso fino alle relazioni quadratiche. D'altra parte, un DSD con un design aumentato (riempito di spazio o in qualsiasi altro modo) confonderà alcuni di questi termini, MA alla fine può ancora predire gli stessi valori di un RSM.
- Tu chiedi " come posso prevedere interazioni lineari, bidirezionali e termini quadratici con disegni alternativi con pari a 27 esecuzioni o meno con buona sicurezza? " L'efficienza di stima e l'analisi della potenza possono aiutarti a rispondere a questa domanda.
- Capito, mi assicurerò di farlo una volta scelto il modello appropriato.
- Il DSD è per selezione , quindi avrà successo solo se il principi di screening Presa. Ad esempio, ti aspetti che al massimo due dei cinque fattori abbiano effetti attivi?
- Lo dici tu " ci sono disegni impossibili da realizzare. " Perché?
- Questo era più dei punti alfa, ma se è all'interno della finestra di interesse e il modello è in grado di prevedere molto bene all'interno di quella finestra, allora siamo a posto! So che ci saranno alcuni termini confusi, ma se è in grado di prevedere con grande sicurezza come un RSM, allora penso che questo sia qualcosa che mi piacerebbe esplorare.
- Ho letto su DSD con DOE pieno di spazio per ottenere qualcosa come un RSM, ma suppongo di aver paura di fare quel passo e provarlo perché è un grande investimento di tempo.
- Un'alternativa come hai suggerito, giocherò con la funzionalità di progettazione personalizzata per vedere che tipo di matrice di potenza e correlazione si confronta con le altre.
Grazie Marco per il tuo tempo!
-Carlos
Ri: RSM vs DSD vs DSD aumentato vs DSD aumentato riempito di spazioSembra che rimbalzi dappertutto! Calmiamoci e ricominciamo da capo.
L’obiettivo finale è creare un modello di successo. Il modello scelto è un modello di regressione multipla che utilizza un predittore lineare. Puoi raccogliere tutti i dati che desideri e adattarli a tale modello. Tuttavia, i tuoi dati potrebbero creare problemi all'adattamento. Quindi il progetto tenta di trovare i dati migliori per il modello lineare. Il design non è immutabile, però.
Inoltre, i principi di progettazione sono inevitabili. I metodi di progettazione sono intercambiabili. Raccomando il design personalizzato perché è un metodo moderno che offre la massima flessibilità. E se si ottiene un progetto con trattamenti poco pratici o impossibili, basta cambiarli .
Parliamo della tua situazione.
- Questo è un risultato R quadrato invidiabile nel primo caso. Il modello ha confermato?
- Cosa intendi con "i punti alfa sono facilmente progettati", "i limiti sono limiti rigidi" e "presentano rischi sulla precisione o sulla copertura dell'intero spazio di progettazione di interesse?"
- Chiedere "quante tirature o che tipo di modelli alternativi" significa paragonare "le mele alle arance". La dimensione del campione è una considerazione per motivi di stimabilità e potere. Il modello è una considerazione su bias e varianza. Cosa stai chiedendo?
- Tu chiedi " come posso prevedere interazioni lineari, bidirezionali e termini quadratici con disegni alternativi con pari a 27 esecuzioni o meno con buona sicurezza? " L'efficienza di stima e l'analisi della potenza possono aiutarti a rispondere a questa domanda.
- Il DSD è per selezione , quindi avrà successo solo se il principi di screening Presa. Ad esempio, ti aspetti che al massimo due dei cinque fattori abbiano effetti attivi?
- Lo dici tu " ci sono disegni impossibili da realizzare. " Perché?
