JMP DOE personalizado frente a DOE factorial completoHola,
Soy nuevo en JMP. Me gustaría aprender y comprender la diferencia entre el diseño DOE personalizado y el diseño DOE factorial completo. Estoy diseñando un experimento usando 4 variables (2 niveles cada una, la cuarta variable es categórica). Un factorial completo requiere 16 corridas. Sin embargo, cuando construyo el experimento en Diseño personalizado, el número predeterminado de ejecuciones en JMP es 12. ¿Por qué el número de carreras en cada uno de estos es diferente? Entiendo por qué es 16 en el factorial completo (2^4). Pero, ¿por qué JMP recomienda solo 12 en el diseño personalizado? ¿Qué se ha supuesto/factorizado en cada uno de estos diseños?
¡Agradecería mucho cualquier ayuda en esto!
Gracias,
Sajith
Re: JMP DOE personalizado vs DOE factorial completoYo tengo una opinión diferente, pero antes de presentarla, solo quiero decir que la estrategia y los principios del diseño de experimentos son invariantes a la elección del método de diseño.
Una desventaja de los diseños factoriales fraccionados clásicos (regulares) es la confusión. (Espero que tampoco le gusten los diseños de Plackett-Burman, porque también conducen a efectos correlacionados en lugar de confusos). La confusión puede ser fácil de entender (no lo creo), pero todavía no puedo estimar mucho de efectos Los principios clave de detección guían mis decisiones sobre los efectos de confusión, pero los principios no están garantizados y tampoco lo están mis conclusiones. El patrón de confusión es arbitrario (diseño de aberración mínima) para la mayoría de los usuarios. Puedo elegir la confusión hasta cierto punto, pero la tarea no es fácil, y ¿qué cambiaría si tengo poco conocimiento previo? Entonces, los diseños clásicos también tienen algún riesgo.
El diseño personalizado me pide que especifique por adelantado lo que quiero estimar. Además, me permite identificar los efectos primarios y potenciales para producir un diseño que sea óptimo para un conjunto de modelos cuando el modelo es incierto. Luego, minimiza la correlación entre las estimaciones (D-óptima) para que la estimación sea posible para cada efecto, aunque con una varianza mayor si no se puede eliminar la correlación. En la estrategia DOE, haré todo lo posible para maximizar el tamaño del efecto y minimizar la varianza, independientemente del método de diseño. Incluso puedo administrar la correlación más fácilmente con un diseño de alias óptimo.
Los experimentos de mezcla más simples que utilizan un diseño símplex logran tener éxito a pesar de las estimaciones correlacionadas. Me parece bueno que no haya efectos confusos con estos diseños.
Agregar puntos centrales a un diseño factorial fraccionado también introduce la correlación de efectos.
El método de diseño de aumento en JMP (diseño personalizado con un conjunto fijo de ejecuciones) no es difícil. Es la forma más fácil y flexible que conozco para planificar la siguiente ronda de experimentación y hacer crecer la evidencia empírica. Puedo especificar nuevos rangos de factores, nuevos términos de modelo y el número de nuevas ejecuciones. No hay sacrificio.
El diseño personalizado generará el resultado clásico cuando sea óptimo para las especificaciones de diseño dadas de los factores, modelos, aleatorización y bloqueo. Pero el diseño personalizado puede hacer todos los demás diseños entre las opciones clásicas. El diseño personalizado ofrece muchos beneficios además de la economía. Entonces, ¿por qué debería comenzar con un diseño clásico?
Re: JMP DOE personalizado vs DOE factorial completo@SajithD no poner un peine demasiado fino en su segunda publicación que muestra la ventana de especificación del modelo con solo efectos principales y un diseño de 12 ejecuciones ... puede estimar interacciones de dos factores seleccionados. La razón es que tiene suficientes grados de libertad para hacerlo. Pero como @statman señala... querrá asegurarse de pasar unos minutos con la plataforma de evaluación de diseño para comprender la correlación entre las estimaciones de sus parámetros. El diseño de 12 ejecuciones será más eficiente al estimar SÓLO los efectos principales... pero puede estimar las interacciones de dos factores.
Re: JMP DOE personalizado vs DOE factorial completoPara añadir dos pensamientos a @cwillden y @statman El sano consejo de:
1. Los métodos de diseño óptimo permiten que el equipo de planificación experimental articule combinaciones específicas (la frase a menudo se denomina 'combinaciones no permitidas') que NO desea incluir en el diseño experimental. A veces, las combinaciones específicas no son de interés o pueden causar una falla catastrófica del sistema en estudio o un peligro para la seguridad del equipo, las personas o el medio ambiente. Por lo tanto, la sección de planificación de diseño personalizado de JMP permite que el experimentador no permita estas combinaciones. Con los diseños clásicos, obtiene lo que obtiene en función de la cantidad de factores, el alias elegido (si se fracciona un diseño) y sus niveles.
2. A menudo, los recursos más que cualquier otra cosa dictan el número de ejecuciones en un experimento. Los materiales, el tiempo del equipo, el esfuerzo de prueba, todo puede desempeñar un papel limitante. Es por eso que la plataforma de diseño personalizado de JMP le permite especificar la cantidad exacta de ejecuciones que desea incluir en el experimento. Una vez más, el número de ejecuciones de los diseños clásicos es "obtienes lo que obtienes" sin la capacidad de adaptar el experimento a las limitaciones de recursos.
Re: JMP DOE personalizado vs DOE factorial completoCorrecto y la explicación de Cameron es bastante buena.
Diré que hay diferentes opiniones sobre el uso de diseños óptimos... Los diseños óptimos pueden proporcionar un beneficio con menos ejecuciones/recursos, pero no sin riesgo.
La ventaja del factorial fraccionado clásico es la capacidad de comprender fácilmente el aliasing, no hay aliasing parcial. Puede elegir lo que desea estimar y lo que desea confundir. Esto es muy útil cuando se va a iterar. El problema potencial con los diseños óptimos es el alias parcial... puede ser un desafío explicar los resultados que no tienen sentido científico o de ingeniería. Puede ser difícil planificar y ejecutar el siguiente experimento para eliminar los efectos de confusión. Es cierto que estoy extremadamente sesgado por mi experiencia. Descubrí que la experimentación se realiza mejor de forma secuencial (¿cuál es la probabilidad de que tenga LOS factores correctos probados en niveles óptimos en el primer experimento?). El propósito del primer experimento es diseñar un mejor experimento. Entonces, el número total de "ejecuciones" necesarias tiene poco que ver con el primer experimento, sino con todo el estudio. Si bien los diseños óptimos pueden ahorrar recursos, pueden sacrificar la ventaja de la aditividad de múltiples diseños fraccionales que se ejecutan de forma iterativa. La otra consideración con respecto a la selección del diseño es lo que hará con el ruido... pero esa es otra discusión.
Re: JMP DOE personalizado vs DOE factorial completo¡Muchas gracias! Esa explicación fue muy útil.
Supongo que en Diseño personalizado necesitaría especificar qué interacciones de orden superior me gustaría que estime mi modelo. Por ejemplo, a continuación se muestra una captura de pantalla de mi diseño. Basado en esto, mi diseño solo podría estimar los efectos principales, ¿es correcto? Si necesito interacciones de orden superior, supongo que tendría que especificar en Modelo.
¡Muchas gracias de nuevo por tu ayuda, Cameron!
Sajith
Re: JMP DOE personalizado vs DOE factorial completoEse es un curso completo de estudio contenido en esa pregunta, pero trataré de resumirlo lo mejor que pueda.El diseño personalizado se basa en un paradigma completamente diferente de diseños "óptimos" o "algorítmicos".Los diseños factoriales completos son un tipo clásico de DOE.Hacen cumplir todas las combinaciones posibles de niveles de factores en el diseño.Esto le da al diseño algunas propiedades muy deseables, como los efectos ortogonales (sin correlación entre los términos del modelo, por lo que los coeficientes se estiman con la máxima precisión para un número determinado de ejecuciones).También puede estimar todos los efectos principales y términos de orden superior hasta interacciones de n vías para n factores.Sin embargo, encontrará que estos diseños explotan rápidamente en tamaño.Un factorial completo con 8 factores, cada uno con 2 niveles, tiene 2^8 = 256 ejecuciones.En la mayoría de los casos, son demasiadas carreras.
En los diseños clásicos, buscaría factoriales fraccionarios para reducir el número de ejecuciones.Estos diseños confunden estratégicamente los términos del modelo de orden superior para reducir significativamente el tamaño del diseño.En muchos casos, los experimentadores solo están interesados en los efectos principales y las interacciones de 2 factores.Por lo tanto, perder la capacidad de estimar interacciones de 8, 7, 6, 5, 4 vías tiene pocas consecuencias.Por ejemplo, podría hacer un factorial fraccionado con 8 factores en solo 64 ejecuciones (¡bastante menos que 254!), y aún así tener efectos principales no correlacionados e interacciones de 2 factores, y tal vez incluso pueda estimar órdenes más altos que eso dependiendo del nivel de fraccionamiento.Estos diseños, entre muchos otros diseños clásicos, se derivan todos de la teoría.
Los diseños óptimos se generan a partir de algoritmos informáticos en los que básicamente describe lo que desea como entradas en el algoritmo, y devuelve un diseño con el conjunto de puntos de diseño más óptimo para cumplir con sus objetivos experimentales.Lo hace a través de un proceso de reorganización de puntos de diseño (también conocido como sus condiciones de ejecución) dentro del espacio de diseño hasta que se optimice algún criterio de optimización (maximizado para algunos criterios o minimizado para otros).Hay 2 criterios de optimización realmente destacados, D- y I-optimalidad.D-optimalidad enfatiza las estimaciones precisas de los coeficientes del modelo (lo convierte en una opción general bastante buena, pero sobresale en situaciones de detección en las que las personas comúnmente elegirían diseños factoriales fraccionados).La I-optimalidad enfatiza la varianza de predicción baja y está más asociada con los diseños de superficie de respuesta.La idea básica es que, mientras que los diseños clásicos son muy rígidos e intransigentes, los diseños óptimos pueden adaptar un experimento a sus necesidades.Puedo hacer un diseño decente para la situación de 8 factores con algo así como 48 ejecuciones y todavía puedo estimar todos los términos del modelo que me interesan (efectos principales e interacciones de 2 factores).Pago por esta conveniencia al permitir algunas correlaciones parciales entre los términos del modelo, pero eso a menudo tiene pocas consecuencias.
Encontrará otros criterios de optimización en Diseño personalizado.A-optimality es una incorporación más reciente, y creo que son diseños muy atractivos.
