JMP Custom DOE vs. vollfaktorielles DOEHallo,
Ich bin neu bei JMP. Ich möchte den Unterschied zwischen dem benutzerdefinierten DOE-Design und dem vollfaktoriellen DOE-Design erfahren und verstehen. Ich entwerfe ein Experiment mit 4 Variablen (jeweils 2 Ebenen, die 4. Variable ist kategorisch). Eine vollständige Fakultät erfordert 16 Durchläufe. Wenn ich das Experiment jedoch im benutzerdefinierten Design erstelle, beträgt die Standardanzahl der Durchläufe in JMP 12. Warum ist die Anzahl der Läufe in jedem dieser Bereiche unterschiedlich? Ich verstehe, warum es in der vollständigen Fakultät 16 ist (2^4). Aber warum empfiehlt JMP nur 12 im benutzerdefinierten Design? Was wurde bei jedem dieser Designs angenommen/berücksichtigt?
Ich würde mich über jede Hilfe hierzu sehr freuen!
Danke,
Sajith
Betreff: JMP Custom DOE vs. vollfaktorielles DOEIch bin anderer Meinung, aber bevor ich sie präsentiere, möchte ich nur sagen, dass die Strategie und die Prinzipien der Versuchsplanung für die Wahl der Entwurfsmethode unveränderlich sind.
Ein Nachteil klassischer (regulärer) fraktionalfaktorieller Designs ist die Verwirrung. (Ich gehe davon aus, dass Ihnen Plackett-Burman-Designs auch nicht gefallen, da sie auch eher zu korrelierten als zu verzerrten Effekten führen.) Confunding mag leicht zu verstehen sein (glaube ich nicht), aber ich bin immer noch nicht in der Lage, viel einzuschätzen von Effekten. Die wichtigsten Screening-Prinzipien leiten meine Entscheidungen über verzerrte Effekte, aber die Prinzipien sind nicht garantiert und daher auch nicht meine Schlussfolgerungen. Das Störmuster ist für die meisten Benutzer willkürlich (Design mit minimaler Aberration). Das Confounding kann ich in begrenztem Umfang wählen, aber die Aufgabe ist nicht einfach, und was würde ich ändern, wenn ich nur über geringe Vorkenntnisse verfüge? Die klassischen Designs bergen also auch ein gewisses Risiko.
Beim individuellen Design muss ich im Voraus angeben, was ich schätzen möchte. Darüber hinaus ermöglicht es mir, primäre und potenzielle Effekte zu identifizieren, um ein Design zu erstellen, das für eine Reihe von Modellen optimal ist, wenn das Modell unsicher ist. Anschließend wird die Korrelation zwischen Schätzungen minimiert (D-optimal), sodass für jeden Effekt eine Schätzung möglich ist, wenn auch mit größerer Varianz, wenn die Korrelation nicht eliminiert werden kann. Bei der DOE-Strategie werde ich alles tun, um die Effektgröße zu maximieren und gleichzeitig die Varianz zu minimieren, unabhängig von der Entwurfsmethode. Mit einem Alias-optimalen Design kann ich die Korrelation sogar einfacher verwalten.
Die einfachsten Mischungsexperimente mit einem Simplex-Design sind trotz korrelierter Schätzungen erfolgreich. Es scheint mir gut zu sein, dass es bei diesen Designs keine verfälschten Effekte gibt.
Das Hinzufügen von Mittelpunkten zu einem fraktionierten faktoriellen Versuchsplan führt auch zu einer Korrelation der Effekte.
Die Augment-Design-Methode in JMP (kundenspezifisches Design mit einem festen Satz von Läufen) ist nicht schwierig. Es ist die einfachste und flexibelste Möglichkeit, die ich kenne, um die nächste Experimentierrunde zu planen und die empirischen Beweise zu erweitern. Ich kann neue Faktorbereiche, neue Modellbedingungen und die Anzahl neuer Läufe angeben. Es gibt kein Opfer.
Durch kundenspezifisches Design wird das klassische Ergebnis erzielt, wenn es für die gegebenen Designspezifikationen der Faktoren, Modelle, Randomisierung und Blockierung optimal ist. Aber kundenspezifisches Design kann alle anderen Designs zwischen den klassischen Entscheidungen treffen. Individuelles Design bietet neben der Wirtschaftlichkeit viele Vorteile. Warum sollte ich also mit einem klassischen Design beginnen?
Betreff: JMP Custom DOE vs. vollfaktorielles DOE@SajithD Um Ihren zweiten Beitrag, in dem das Modellspezifikationsfenster nur mit Haupteffekten und einem 12-Run-Design gezeigt wird, nicht zu sehr zu prüfen, können Sie ausgewählte Wechselwirkungen zwischen zwei Faktoren abschätzen. Der Grund dafür ist, dass Sie über ausreichende Freiheitsgrade verfügen, um dies zu tun. Aber @statman weist darauf hin ... Sie sollten sicherstellen, dass Sie ein paar Minuten mit der Design Evaluation-Plattform verbringen, um die Korrelation zwischen Ihren Parameterschätzungen zu verstehen. Das 12-Run-Design ist am effizientesten, wenn es NUR die Haupteffekte schätzt. Sie können jedoch die Wechselwirkungen zwischen zwei Faktoren schätzen.
Betreff: JMP Custom DOE vs. vollfaktorielles DOEUm zwei Gedanken hinzuzufügen @cwillden Und @statman Guter Rat:
1. Optimale Entwurfsmethoden ermöglichen es dem experimentellen Planungsteam, bestimmte Kombinationen zu artikulieren (der Ausdruck wird oft als „unzulässige Kombinationen“ bezeichnet), die NICHT in den experimentellen Entwurf einbezogen werden sollen. Manchmal sind bestimmte Kombinationen nicht von Interesse oder können zu einem katastrophalen Ausfall des untersuchten Systems oder zu einem Sicherheitsrisiko für Geräte, Personen oder die Umwelt führen. Daher ermöglicht der Planungsabschnitt „Benutzerdefiniertes Design“ von JMP dem Experimentator, diese Kombinationen nicht zuzulassen. Bei klassischen Designs erhalten Sie das, was Sie erhalten, basierend auf der Anzahl der Faktoren, dem gewählten Aliasing (bei Fraktionierung eines Designs) und deren Ebenen.
2. Oftmals bestimmen Ressourcen mehr als alles andere die Anzahl der Durchläufe in einem Experiment. Materialien, Gerätezeit, Testaufwand – all das kann eine einschränkende Rolle spielen. Aus diesem Grund können Sie mit der Custom Design-Plattform von JMP die genaue Anzahl der Durchläufe angeben, die Sie in das Experiment einbeziehen möchten. Auch hier ist die Anzahl der Durchläufe bei klassischen Designs so, dass man bekommt, was man bekommt, ohne die Möglichkeit, das Experiment an Ressourcenbeschränkungen anzupassen.
Betreff: JMP Custom DOE vs. vollfaktorielles DOERichtig und Camerons Erklärung ist ziemlich gut.
Ich muss sagen, dass es unterschiedliche Meinungen über die Verwendung optimaler Designs gibt ... Optimale Designs können einen Vorteil bei weniger Durchläufen/Ressourcen bieten, aber nicht ohne Risiko.
Der Vorteil der klassischen fraktionalen Fakultät ist die Möglichkeit, das Aliasing leicht zu verstehen, es gibt kein teilweises Aliasing. Sie können wählen, was Sie schätzen und was Sie verwechseln möchten. Dies ist sehr nützlich, wenn Sie iterieren möchten. Das potenzielle Problem bei optimalen Designs ist das teilweise Aliasing. Es kann schwierig sein, Ergebnisse zu erklären, die weder technisch noch wissenschaftlich sinnvoll sind. Es kann schwierig sein, das nächste Experiment zu planen und durchzuführen, um verfälschte Effekte zu beseitigen. Zugegebenermaßen bin ich aufgrund meiner Erfahrung äußerst voreingenommen. Ich habe festgestellt, dass Experimente am besten nacheinander durchgeführt werden (wie groß ist die Wahrscheinlichkeit, dass Sie im ersten Experiment DIE richtigen Faktoren auf optimalem Niveau getestet haben?). Der Zweck des ersten Experiments besteht darin, ein besseres Experiment zu entwerfen. Die Gesamtzahl der benötigten „Durchläufe“ hat also wenig mit dem ersten Experiment zu tun, sondern mit der gesamten Studie. Während optimale Designs Ressourcen sparen können, können sie den Vorteil der Additivität mehrerer Teildesigns, die iterativ ausgeführt werden, aufgeben. Die andere Überlegung bei der Designauswahl ist, was Sie mit Lärm machen wollen ... aber das ist eine andere Diskussion.
Betreff: JMP Custom DOE vs. vollfaktorielles DOEVielen Dank! Diese Erklärung war sehr hilfreich.
Ich vermute, dass ich unter „Benutzerdefiniertes Design“ angeben muss, welche Interaktionen höherer Ordnung mein Modell schätzen soll. Unten sehen Sie beispielsweise einen Screenshot meines Designs. Auf dieser Grundlage könnte mein Entwurf nur die Haupteffekte abschätzen, ist das richtig? Wenn ich Interaktionen höherer Ordnung benötige, muss ich vermutlich unter Modell angeben?
Nochmals vielen Dank für Ihre Hilfe, Cameron!
Sajith
Betreff: JMP Custom DOE vs. vollfaktorielles DOEDas ist ein ganzer Studiengang, der in dieser Frage enthalten ist, aber ich werde versuchen, es so gut wie möglich zusammenzufassen.Custom Design basiert auf einem völlig anderen Paradigma von „optimalen“ oder „algorithmischen“ Designs.Vollfaktorielle Versuchspläne sind eine klassische Art der Versuchsplanung.Sie erzwingen alle möglichen Kombinationen von Faktorstufen im Design.Dies verleiht dem Entwurf einige sehr wünschenswerte Eigenschaften, wie z. B. orthogonale Effekte (keine Korrelation zwischen Modelltermen, sodass Koeffizienten für eine bestimmte Anzahl von Läufen mit maximaler Präzision geschätzt werden).Sie können auch alle Haupteffekte und Terme höherer Ordnung bis hin zu n-Wege-Wechselwirkungen für n Faktoren schätzen.Sie werden jedoch feststellen, dass die Größe dieser Designs schnell explodiert.Eine vollständige Fakultät mit 8 Faktoren mit jeweils 2 Stufen hat 2^8 = 256 Läufe.In den meisten Fällen sind das viel zu viele Läufe.
In klassischen Designs würden Sie auf gebrochene Fakultäten zurückgreifen, um die Anzahl der Durchläufe zu reduzieren.Diese Designs verwechseln die Modellterme höherer Ordnung strategisch, um die Designgröße deutlich zu reduzieren.In vielen Fällen sind Experimentatoren nur an Haupteffekten und Zwei-Faktor-Wechselwirkungen interessiert.Daher hat der Verlust der Fähigkeit, 8-, 7-, 6-, 5- und 4-Wege-Wechselwirkungen abzuschätzen, kaum Konsequenzen.Ich könnte zum Beispiel eine gebrochene Fakultät mit 8 Faktoren in nur 64 Durchläufen durchführen (deutlich weniger als 254!) und immer noch unkorrelierte Haupteffekte und 2-Faktor-Wechselwirkungen haben und vielleicht sogar höhere Ordnungen abschätzen können, je nachdem Grad der Fraktionierung.Diese Entwürfe basieren neben vielen anderen klassischen Entwürfen alle auf der Theorie.
Optimale Designs werden aus Computeralgorithmen generiert, bei denen Sie grundsätzlich beschreiben, was Sie als Eingaben in den Algorithmus wollen, und der Algorithmus liefert ein Design mit dem optimalsten Satz an Designpunkten, um Ihre experimentellen Ziele zu erreichen.Dies geschieht durch einen Prozess der Neuanordnung von Entwurfspunkten (auch bekannt als Ihre Laufbedingungen) innerhalb des Entwurfsbereichs, bis einige Optimierungskriterien optimiert sind (maximiert für einige Kriterien oder minimiert für andere).Es gibt zwei wirklich herausragende Optimalitätskriterien: D- und I-Optimalität.Bei der D-Optimalität liegt der Schwerpunkt auf präzisen Schätzungen der Modellkoeffizienten (was sie zu einer ziemlich guten Allround-Wahl macht, sich aber hervorragend in Screening-Situationen eignet, in denen Menschen üblicherweise fraktionierte faktorielle Designs wählen würden).I-Optimalität betont eine geringe Vorhersagevarianz und ist eher mit Antwortoberflächendesigns verbunden.Die Grundidee besteht darin, dass klassische Designs zwar sehr starr und kompromisslos sind, optimale Designs jedoch ein Experiment auf Ihre Bedürfnisse zuschneiden können.Ich kann mit etwa 48 Durchläufen einen anständigen Entwurf für die 8-Faktor-Situation erstellen und bin trotzdem in der Lage, alle für mich wichtigen Modellterme abzuschätzen (Haupteffekte und 2-Faktor-Wechselwirkungen).Ich bezahle diese Bequemlichkeit, indem ich einige partielle Korrelationen zwischen den Modelltermen zulasse, aber das hat oft keine große Auswirkung.
Weitere Optimalitätskriterien finden Sie im Custom Design.A-Optimalität ist eine neuere Ergänzung, und ich denke, dass es sich um sehr überzeugende Designs handelt.
