Domanda EVOP / Mixture Design / Frankenstein DesignNon ho molta esperienza con i progetti di miscele, quindi sto cercando una guida personale per "la prossima volta che succede" con un potenziale cliente / cliente. Ho una prospettiva che usa abbastanza spesso progetti di miscele di vertici estremi. Il loro pensiero era, se una regione dello spazio del fattore di progettazione sembrava promettente, ma è al limite dello spazio, che dire di spostare lo spazio di progettazione in un tipo di approccio EVOP nella direzione della promessa per un secondo progetto. Quindi il secondo design si sovrappone a una porzione relativamente grande del primo spazio di design. Prima analizza il secondo design in quanto è un singolo design distinto. Quindi imbullonare i due disegni e analizzare l'intero casino.
Il mio primo pensiero è se nient'altro che il secondo disegno può servire come mezzo per confermare le previsioni provenienti dal primo disegno poiché lo spazio si sovrappone. Ci sono altri 'gotchas' che non ho preso in considerazione dal punto di vista dell'analisi del design di Frankenstein in quanto si sviluppa ... forse in iterazioni simili a EVOP, 3 e 4?
Qualcosa mi dice che la piattaforma di modelli minimi quadrati / Modello adatto potrebbe non essere il posto migliore per analizzare il design di Frankenstein? Forse regressione generalizzata, metodi penalizzati?
Mi piacerebbe sentire i colpi delle persone.
Ri: EVOP / Mixture Design / Frankenstein Design QuestionI progetti di miscele hanno una correlazione integrata dovuta al fatto che le percentuali degli ingredienti devono aggiungere a 1. Limitare ulteriormente gli ingredienti aggiungendo limiti superiori e inferiori o vincoli di disuguaglianza lineare rende ancora più correlazione nelle stime dei parametri. Infine, l'aggiunta di sempre più termini modello (effetti del 2 ° e 3 ° ordine) rende ancora più correlata.
Di conseguenza, credo che i progetti di miscele debbano quasi sempre essere visti come progetti di superfici di risposta. La diagnostica di progettazione più importante è la varianza della previsione all'interno della regione di sperimentazione.
Per la selezione del modello, consiglierei di rimuovere termini di ordine superiore nei gruppi per vedere se ciascun gruppo fa differenze sostanziali nelle risposte previste. Puoi anche sommare le somme di quadrati per un gruppo e fare un test di ipotesi a più gradi di libertà per vedere il significato dell'inclusione di quel gruppo di termini.
Ri: EVOP / Mixture Design / Frankenstein Design QuestionSono d'accordo che la piattaforma Augment Design è la strada da percorrere per costruire il secondo, il terzo e i progetti. È abbastanza semplice per me. Ciò su cui non ero per lo più chiaro sono i pensieri sui migliori percorsi per analizzare il design di Frankenstein. Sto solo pensando che i criteri di ottimalità del design di Frankenstein non sono probabilmente quello che cerchi rispetto a se hanno eseguito un design con l'ottimizzazione, per 3 fattori di miscela. E le correlazioni dei fattori saranno piuttosto incasinate ... portando a VIF elevati e stime di parametri instabili? O il mio pensiero è fuorviato?
Questo mi porta a provare a dire che lo spazio di regressione penalizzato dal Gen Reg? Sto pensando che le stime dei parametri avranno poca o nessuna interpretabilità ... ma va bene per questo particolare problema ... l'obiettivo principale è la previsione per la risposta.
Ri: EVOP / Mixture Design / Frankenstein Design QuestionConcordo con Mike che Augment Designer è lo strumento da utilizzare qui. Dopo aver fatto clic sul pulsante Aumenta in quel designer, puoi modificare gli intervalli dei fattori per spostarti in una nuova regione. È inoltre necessario fare clic sulla casella di controllo per rendere le nuove esecuzioni un blocco separato. Se quell'effetto è significativo, è un'indicazione che l'intercettazione si è spostata tra le due serie di corse.
Ri: EVOP / Mixture Design / Frankenstein Design QuestionPenso che il flusso di lavoro che hai descritto sia l'essenza del perché abbiamo la piattaforma Augment. Può essere @bradleyjones potrebbe gettare un po 'di saggezza su questo.
migliore,
M
