256413_it-IT

liliconcom

DOE personalizzato di JMP rispetto a DOE fattoriale completo

CIAO,

 

Sono nuovo in JMP. Vorrei imparare e capire la differenza tra il design DOE personalizzato e il design DOE Full Factorial. Sto progettando un esperimento utilizzando 4 variabili (2 livelli ciascuna, la 4a variabile è categorica). Un fattoriale completo richiede 16 esecuzioni. Tuttavia, quando creo l'esperimento in Progettazione personalizzata, il numero predefinito di esecuzioni in JMP è 12. Perché il numero di esecuzioni in ciascuno di questi è diverso? Capisco perché è 16 nel fattoriale completo (2^4). Ma perché JMP consiglia solo 12 nel design personalizzato? Cosa è stato ipotizzato/fattorizzato in ciascuno di questi progetti?

 

Apprezzerei molto qualsiasi aiuto su questo!

 

Grazie,

Sajith

 

 

Ri: DOE personalizzato JMP vs DOE fattoriale completo

Ho un'opinione diversa, ma prima di presentarla, voglio solo dire che la strategia ei principi della progettazione degli esperimenti sono invarianti rispetto alla scelta del metodo di progettazione.

 

Uno svantaggio dei disegni fattoriali frazionari classici (regolari) è la confusione. (Mi aspetto che non ti piacciano nemmeno i progetti Plackett-Burman, perché portano anche a effetti correlati piuttosto che confusi.) La confusione potrebbe essere facile da capire (non credo) ma non sono ancora in grado di stimare molto di effetti. I principi chiave di screening guidano le mie decisioni sugli effetti confondenti, ma i principi non sono garantiti e quindi nemmeno le mie conclusioni. Il modello di confusione è arbitrario (design minimo di aberrazione) per la maggior parte degli utenti. Posso scegliere il confondimento in misura limitata, ma il compito non è facile, e cosa cambierei se avessi poche conoscenze pregresse? Quindi anche i design classici hanno qualche rischio.

 

Il design personalizzato mi chiede di specificare in anticipo ciò che voglio stimare. Mi consente inoltre di identificare gli effetti primari e potenziali per produrre un progetto ottimale per un insieme di modelli quando il modello è incerto. Quindi minimizza la correlazione tra le stime (D-ottimale) in modo che la stima sia possibile per ogni effetto, sebbene con una varianza maggiore se la correlazione non può essere eliminata. Nella strategia DOE, farò tutto il possibile per massimizzare la dimensione dell'effetto riducendo al minimo la varianza indipendentemente dal metodo di progettazione. Posso persino gestire la correlazione più facilmente con un design ottimale per gli alias.

 

Il più semplice degli esperimenti di miscela che utilizza un design simplex riesce ad avere successo nonostante le stime correlate. Mi sembra una buona cosa che non ci siano effetti confusi con questi disegni.

 

L'aggiunta di punti centrali a un disegno fattoriale frazionario introduce anche la correlazione degli effetti.

 

Il metodo di progettazione aumentata in JMP (progettazione personalizzata con una serie fissa di esecuzioni) non è difficile. È il modo più semplice e flessibile che conosco per pianificare il prossimo ciclo di sperimentazione e accrescere le prove empiriche. Posso specificare nuovi intervalli di fattori, nuovi termini del modello e il numero di nuove esecuzioni. Non c'è sacrificio.

 

Il design personalizzato produrrà il risultato classico quando è ottimale per le specifiche di progettazione fornite di fattori, modelli, randomizzazione e blocco. Ma il design personalizzato può rendere tutti gli altri design tra le scelte classiche. Il design personalizzato offre molti vantaggi oltre all'economia. Allora perché dovrei iniziare con un design classico?

Ri: DOE personalizzato JMP vs DOE fattoriale completo

@SajithD per non mettere un pettine troppo fine al tuo secondo post che mostra la finestra delle specifiche del modello con solo gli effetti principali e un design a 12 run ... puoi stimare selezionare le interazioni a due fattori. La ragione è che hai sufficienti gradi di libertà per farlo. Ma come @statman sottolinea... ti consigliamo di assicurarti di dedicare qualche minuto alla piattaforma di valutazione del progetto per comprendere la correlazione tra le stime dei parametri. Il design a 12 run sarà più efficiente stimando SOLO gli effetti principali ... ma puoi stimare le interazioni di due fattori.

Ri: DOE personalizzato JMP vs DOE fattoriale completo

Per aggiungere due pensieri a @cwillden E @statman il buon consiglio di:

 

1. I metodi di progettazione ottimali consentono al team di pianificazione sperimentale di articolare combinazioni specifiche (la frase è spesso chiamata "combinazioni non consentite") che NON si desidera includere nella progettazione sperimentale. A volte combinazioni specifiche non sono di interesse o potrebbero causare un guasto catastrofico del sistema in esame o un pericolo per la sicurezza delle apparecchiature, delle persone o dell'ambiente. Pertanto, la sezione di pianificazione del design personalizzato di JMP consente allo sperimentatore di non consentire queste combinazioni. Con Classical Designs, ottieni ciò che ottieni in base al numero di fattori, all'aliasing scelto (se frazionando un design) e ai loro livelli.

 

2. Spesso le risorse determinano più di ogni altra cosa il numero di esecuzioni in un esperimento. Materiali, tempo di attrezzatura, sforzo di test, tutto può svolgere un ruolo vincolante. Ecco perché la piattaforma Custom Design di JMP consente di specificare il numero esatto di esecuzioni che si desidera includere nell'esperimento. Ancora una volta, il numero di esecuzioni di Classical Designs è "ottieni ciò che ottieni" senza la possibilità di adattare l'esperimento ai vincoli delle risorse.

Ri: DOE personalizzato JMP vs DOE fattoriale completo

Esatto e la spiegazione di Cameron è abbastanza buona.  

 

Dirò che ci sono opinioni divergenti sull'uso di progetti ottimali ... I progetti ottimali possono fornire un vantaggio in meno corse/risorse, ma non senza rischi.

Il vantaggio del classico fattoriale frazionario è la capacità di comprendere facilmente l'aliasing, non c'è aliasing parziale. Puoi scegliere cosa vuoi stimare e cosa vuoi confondere. Questo è molto utile quando hai intenzione di iterare. Il potenziale problema con i progetti Optimal è l'aliasing parziale ... può essere difficile spiegare risultati che non hanno senso ingegneristico o scientifico. Può essere difficile pianificare ed eseguire il prossimo esperimento per eliminare gli effetti confusi. Devo ammettere che sono estremamente prevenuto dalla mia esperienza. Ho scoperto che la sperimentazione viene eseguita meglio in sequenza (qual è la probabilità che tu abbia i fattori giusti testati a livelli ottimali nel primo esperimento?). Lo scopo del primo esperimento è progettare un esperimento migliore. Quindi l'intero numero di "corse" necessarie ha poco a che fare con il primo esperimento, ma con l'intero studio. Sebbene i progetti ottimali possano far risparmiare risorse, possono sacrificare il vantaggio dell'additività di più progetti frazionari eseguiti in modo iterativo. L'altra considerazione riguardante la selezione del design è cosa farai con il rumore ... ma questa è un'altra discussione.

Ri: DOE personalizzato JMP vs DOE fattoriale completo

Grazie mille! Quella spiegazione è stata molto utile.

 

Immagino che in Custom Design avrei bisogno di specificare quali interazioni di ordine superiore vorrei che il mio modello stimasse. Ad esempio, di seguito è riportata una schermata del mio progetto. Sulla base di ciò, il mio progetto sarebbe solo in grado di stimare gli effetti principali, è corretto? Se ho bisogno di interazioni di ordine superiore, suppongo che dovrei specificare in Modello?

Grazie mille ancora per il tuo aiuto, Cameron!

 

Sajith

Ri: DOE personalizzato JMP vs DOE fattoriale completo

Questo è un intero corso di studi contenuto in quella domanda, ma cercherò di riassumere nel miglior modo possibile.Custom Design si basa su un paradigma completamente diverso di design "ottimale" o "algoritmico".I disegni fattoriali completi sono un tipo classico di DOE.Impongono tutte le possibili combinazioni di livelli di fattori nel progetto.Ciò conferisce al progetto alcune proprietà molto desiderabili, come gli effetti ortogonali (nessuna correlazione tra i termini del modello, quindi i coefficienti sono stimati con la massima precisione per un dato numero di esecuzioni).È inoltre possibile stimare tutti gli effetti principali e i termini di ordine superiore fino alle interazioni a n vie per n fattori.Tuttavia, scoprirai che questi disegni esplodono rapidamente di dimensioni.Un fattoriale completo con 8 fattori, ognuno con 2 livelli, ha 2^8 = 256 run.Nella maggior parte dei casi sono troppe corse.

 

Nei disegni classici, dovresti guardare ai fattoriali frazionari per ridurre il numero di esecuzioni.Questi progetti confondono strategicamente i termini del modello di ordine superiore al fine di ridurre significativamente le dimensioni del progetto.In molti casi, gli sperimentatori sono interessati solo agli effetti principali e alle interazioni a 2 fattori.Quindi perdere la capacità di stimare interazioni a 8, 7, 6, 5, 4 vie ha poche conseguenze.Ad esempio, potrei fare un fattoriale frazionario con 8 fattori in sole 64 esecuzioni (un bel po' meno di 254!), e avere ancora effetti principali non correlati e interazioni a 2 fattori, e forse posso anche stimare ordini più alti di quello a seconda del livello di frazionamento.Questi disegni, tra molti altri disegni classici, sono tutti derivati dalla teoria.

 

I progetti ottimali vengono generati da algoritmi informatici in cui fondamentalmente descrivi ciò che desideri come input nell'algoritmo e restituisce un progetto con l'insieme ottimale di punti di progettazione per soddisfare i tuoi obiettivi sperimentali.Lo fa attraverso un processo di riorganizzazione dei punti di progettazione (ovvero le condizioni di esecuzione) all'interno dello spazio di progettazione fino a quando alcuni criteri di ottimizzazione non vengono ottimizzati (massimizzati per alcuni criteri o ridotti al minimo per altri).Esistono 2 criteri di ottimalità davvero importanti, l'ottimalità D e I.L'ottimalità D enfatizza le stime precise dei coefficienti del modello (la rende una scelta piuttosto buona a tutto tondo, ma eccelle nelle situazioni di screening in cui le persone sceglierebbero comunemente disegni fattoriali frazionari).L'ottimalità I enfatizza la bassa varianza della previsione ed è più associata ai progetti di superfici di risposta.L'idea di base è che mentre i design classici sono molto rigidi e senza compromessi, i design ottimali possono adattare un esperimento alle tue esigenze.Posso fare un progetto decente per la situazione a 8 fattori con qualcosa come 48 corse ed essere ancora in grado di stimare tutti i termini del modello che mi interessano (effetti principali e interazioni a 2 fattori).Pago questa comodità consentendo alcune correlazioni parziali tra i termini del modello, ma spesso ciò ha poche conseguenze.

 

Troverai altri criteri di ottimalità in Custom Design.L'ottimalità A è un'aggiunta più recente e penso che siano progetti molto interessanti.