gran charla, gracias.
El problema que quería plantear son los aspectos de la aleatorización debido a dificultades en la secuencia de aleatorización original. Esto es importante si desea invocar argumentos de causalidad.
OK, gracias por tu comentario, ¿podrías explicar cómo esto podría ser un problema en mi estudio?
El bloqueo le permite ejecutar experimentos que tienen restricciones menores en la aleatorización, es decir, son más fáciles de realizar. La aleatorización es clave para hacer declaraciones de causalidad, que es lo que necesita para mejorar y solucionar problemas. Sus experimentos de validación se encargaron de algo, por lo que su estudio está bastante completo. El problema que planteé es sobre la necesidad de volver a aleatorizar porque la secuencia de experimentos que obtiene de la aleatorización inicial es difícil de ejecutar o impedirá los aspectos de generalización del estudio, especialmente en el contexto relacionado con el tiempo como el suyo. No es obvio cómo explicar la reasignación aleatoria (intentarlo de nuevo). David Cox, en su libro sobre la planificación de experimentos (Cox, 1958), se ocupa de él y el REML al que se refirió es una opción mencionada por Cox en una versión anterior. La recuperación si la información entre bloques es una inspiración clave para el trabajo REML de Patterson y Thompson 1971 y la mejora posterior de Kenward y Roger 1997 https://journals.sagepub.com/doi/abs/10.1177/0962280214520728?journalCode=smma
A continuación hay un párrafo de mi libro con Shelly Zacks en Estadísticas industriales modernas eso se refiere a esto:
"El bloqueo y la aleatorización en la planificación de experimentos tienen como objetivo aumentar la precisión del resultado y garantizar la validez de la inferencia. El bloqueo se utiliza para reducir errores. Un bloque es una porción del material experimental que se espera que sea más homogénea que todo el agregado. Por ejemplo, si el experimento está diseñado para probar el efecto del recubrimiento de poliéster de los circuitos electrónicos en su salida de corriente, la variabilidad entre los circuitos podría ser considerablemente mayor que el efecto del recubrimiento en la salida de corriente. Para reducir este componente de varianza, uno puede bloquear por circuito. Cada circuito será probado bajo dos tratamientos: sin recubrimiento y recubrimiento. Primero probamos la salida de corriente de un circuito sin recubrimiento. Más tarde cubrimos el circuito y probamos nuevamente. Tal comparación de antes y después de un tratamiento, de las mismas unidades, se llama comparación por pares. Otro ejemplo de bloqueo son los famosos ejemplos de zapatos de niño (pp. 97 en Box, Hunter y Hunter, 1978). Se deben probar dos tipos de materiales de suelas de zapatos fijando las suelas en n pares de zapatos de niños y midiendo la cantidad de desgaste de las suelas después de un período de uso activo de los zapatos. Dado que existe una gran variabilidad entre la actividad de los niños, si m pares estarán con suelas de un tipo y el resto del otro, no estará claro si alguna diferencia que pueda observarse en el grado de desgaste se debe a diferencias entre Las características del único material o las diferencias entre los niños. Al bloquear con un par de zapatos, podemos reducir gran parte de la variabilidad. A cada par de zapatos se le asignan los dos tipos de suelas. La comparación dentro de cada bloque está libre de la variabilidad entre los niños. Además, dado que los niños usan su pie derecho o izquierdo de manera diferente, uno debe asignar el tipo de suelas a los zapatos izquierdo o derecho al azar. Por lo tanto, los tratamientos (dos tipos de suelas) se asignan dentro de cada bloque al azar. Otros ejemplos de bloques podrían ser máquinas, turnos de producción, días de la semana, operadores, etc. En general, si hay t tratamientos para comparar y bloques b, y si todos los tratamientos t se pueden realizar dentro de un solo bloque, asignamos todos los tratamientos t a cada bloque. El orden de aplicación de los tratamientos dentro de cada bloque debe ser aleatorio. Tal diseño se llama diseño de bloques completos al azar. Más adelante veremos cómo un análisis adecuado del rendimiento puede probar válidamente los efectos de los tratamientos. Si no, todos los tratamientos se pueden aplicar dentro de cada bloque, es conveniente asignar tratamientos a los bloques de manera equilibrada. Dichos diseños, que se discutirán más adelante, se denominan diseños de bloques incompletos equilibrados (BIBD). La aleatorización dentro de cada bloque es importante también para validar el supuesto de que los componentes de error en el modelo estadístico son independientes. Esta suposición puede no ser válida si los tratamientos no se asignan al azar a las unidades experimentales dentro de cada bloque ".
Gran comentario gracias! Franco
Nivel: intermedio
Frank Deruyck, profesor, HOGENT Universidad de Ciencias Aplicadas y Artes
En esta presentación, se crean un DOE óptimo y modelos estadísticos para maximizar el rendimiento de un proceso de bucle químico con captura de CO2 para generar H2 y gas de síntesis, posibles nuevos recursos para la economía energética y circular. El complejo reactor de lecho fluidizado utilizado está sujeto a varios posibles efectos de interacción y cuadráticos, así como al ruido aleatorio, por lo que es necesaria una estrategia reflexiva de experimentación y modelado. En JMP, las plataformas de análisis y DOE ofrecen una amplia variedad de opciones de preparación y ajuste de modelos de DOE. Este documento ilustrará cómo decidir entre un RSM ortogonal, un DOE personalizado y un DSD basado en criterios y metas de I + D, y objetivos del modelo y diagnósticos del DOE, como potencia, correlación de factores y perfil de varianza. La construcción del modelo se produce al descartar factores efectivos mediante la regresión gradual (selección directa de factor fijo y todos los modelos posibles) seguido de un análisis REML que elimina la varianza de ruido aleatorio. Se obtienen modelos útiles para la conversión de metano y el rendimiento del gas de síntesis y se respaldan con experimentos de validación adicionales. La función de deseabilidad del generador de perfiles se utiliza para calcular las condiciones óptimas de operación. Este trabajo demuestra la posibilidad de optimizar un proceso tecnológico complejo con una configuración cuidadosa del DOE y un enfoque de modelado estadístico.
