256418_es-ES

liliconcom

Especificación del factor de bloques aleatorios en diseños DOE clásicos

Hola a todos,

 

Al generar un diseño DOE clásico en JMP, cualquier factor de bloque se establece automáticamente como factor de bloque fijo. Sé que puedo cambiarlo a efecto de bloque aleatorio para utilizar el método REML añadiéndole el atributo de "efecto aleatorio" en la plataforma Fit Model. Sin embargo, noté que también podría cambiar su función de diseño a "Bloque aleatorio", no se le asigna automáticamente el atributo de "efecto aleatorio" en Ajustar modelo. Entonces, ¿hay alguna diferencia entre "Bloqueo" y "Bloque aleatorio" como opciones de rol de diseño? Lo único que he notado es que el factor de bloqueo se muestra en el Generador de perfiles de predicción cuando se le asigna "Bloque aleatorio", pero no cuando se le asigna "Bloqueo". Además, la plataforma Fit Definitive Screening solo funciona con el rol de diseño "Bloqueo" pero no con "Bloque aleatorio".

 

Gracias.

 

Re: Especificación del factor de bloques aleatorios en diseños DOE clásicos

@statman y @Mark_Bailey , gracias a ambos los debates útiles. Estos son puntos excelentes que debo tener en cuenta a medida que planifico mis experimentos.

Re: Especificación del factor de bloques aleatorios en diseños DOE clásicos

Mi punto sobre la restricción contra los efectos aleatorios se refiere al uso del proceso de ajuste especial que Brad creó para DSD. Por supuesto, puede utilizar cualquier método de análisis con el DSD.

 

Dos bloques darán muy poca información sobre el efecto aleatorio. La estimación de la varianza será pobre. Por otro lado, la capacidad de asignar cualquier variación al bloque mejorará la estimación de los efectos fijos.

 

¿Tiene experiencia previa con un efecto 'día'?

Re: Especificación del factor de bloques aleatorios en diseños DOE clásicos

duque,

 

Algunas palabras de sabiduría de uno de mis mentores,

 

“Todos los modelos están mal, algunos son útiles” (GEP Caja)."

"Dos investigadores igualmente competentes ante el mismo problema normalmente comenzarían desde diferentes puntos de partida, procederían por diferentes rutas y, sin embargo, podrían llegar a la misma respuesta. Lo que se busca no es uniformidad sino convergencia .” (Caja, Cazador y Cazador, Estadísticas para experimentadores)

 

Desafortunadamente, no entiendo su situación según las explicaciones que ha publicado. Necesitaría entender qué preguntas está tratando de responder, cuáles son las variables de respuesta que está tratando de modelar, con qué factores está experimentando, etc. En general, cuando uso bloques en la experimentación industrial, dedico mucho esfuerzo a identificar y comprender el ruido (utilizando el pensamiento crítico y los mapas de procesos). El propósito de la experimentación es que el experimento sea representativo de las condiciones sobre las que estamos tratando de sacar conclusiones (espacio de inferencia). Esto presenta un dilema, cuanto más representativo es el experimento, cuanto mayor es el ruido en el experimento, más difícil es detectar los efectos de los factores. Históricamente, la gente ha optado por mantener el ruido constante para mejorar el precisión del diseño (palabra de Box para detectar efectos de factores). Desafortunadamente, esto tiene un efecto muy negativo en el espacio de inferencia. Entonces, el desafío de hacer que el experimento sea más representativo de la realidad mientras se aumenta la precisión del diseño es un conjunto de trabajo extremadamente importante. Hay una serie de estrategias para lograr esto: repeticiones (permiten estimar el ruido a corto plazo, como un error de medición), réplicas (aleatorias y RCBD, BIB), parcelas divididas, etc. Si puede identificar el ruido a priori, tiene métodos más eficientes y efectivos a su disposición . Si no puede identificar el ruido, su única opción es aleatorizar cuál parece ser su caso

Las carreras de punto central pueden ser muy eficientes y útiles, pero los factores deben ser cuantitativos. Brindan la capacidad de evaluar la curvatura general sobre el espacio de diseño (grado de libertad para asignar el efecto cuadrático) y, si se usan correctamente, una mirada a la estabilidad sobre el espacio de diseño. Si replica los puntos centrales, algunos dirían que tiene una estimación razonablemente buena de MSE (pensando que el punto central podría ser las condiciones actuales, por lo que tiene un conjunto de datos en las condiciones actuales para probar los efectos de los factores). Si ejecuta varios puntos centrales al azar sobre el espacio de diseño, también podrá evaluar la estabilidad sobre el espacio de diseño.

Re: Especificación del factor de bloques aleatorios en diseños DOE clásicos

Gracias por proporcionar el aspecto histórico y sus pensamientos sobre este asunto. ¿Cuál es su opinión sobre nuestra situación específica que se menciona a continuación?

Solo para aclarar, en nuestros estudios planificados, tenemos que dividir las corridas en 2 bloques debido al número limitado de máquinas. Estamos planeando ejecutar los 2 bloques en el mismo conjunto de máquinas pero en días separados, por lo que el factor de bloqueo aquí sería la variabilidad de un día a otro. Supongo que esto debería ser un efecto aleatorio, pero me pregunto si vale la pena bloquearlo.

Además, para agregar, también estamos planeando incluir al menos 1 ejecución de punto central en cada bloque, lo que podría ayudar a estimar la variación de bloque a bloque.

Re: Especificación del factor de bloques aleatorios en diseños DOE clásicos

En la publicación de blog de Bradley Jones, mencionó que DSD no es apropiado para el diseño de trama dividida, pero realmente no lo veo mencionando que los efectos aleatorios en general no se pueden hacer.
En este papel de Jones y Nachtsheim, proporcionaron métodos para el bloqueo de DSD con efectos aleatorios al agregar dos ejecuciones de punto central en el mismo bloque para estimar la varianza residual y otra en otro bloque para estimar la varianza de bloque aleatorio.

Solo para aclarar, en nuestros estudios planificados, tenemos que dividir las corridas en 2 bloques debido al número limitado de máquinas. Estamos planeando ejecutar los 2 bloques en el mismo conjunto de máquinas pero en días separados, por lo que el factor de bloqueo aquí sería la variabilidad de un día a otro. Supongo que esto debería ser un efecto aleatorio, pero me pregunto si vale la pena bloquearlo.  

Re: Especificación del factor de bloques aleatorios en diseños DOE clásicos

Ofreceré una perspectiva diferente con respecto a los bloques, los efectos de bloque y las interacciones de bloque por factor. El concepto de bloqueo (replicación) se remonta a Sir Ronald Fisher. La idea de un bloque es minimizar el ruido dentro del bloque (mantener constante) y maximizar el ruido entre los bloques (seleccionar bloques a propósito para asegurarse de que el ruido que se mantuvo constante dentro del bloque cambie entre los bloques). Hacer esto aumenta la precisión de la detección de los efectos de los factores (p. ej., reduce el MSE) al mismo tiempo que aumenta el espacio de inferencia (el estudio se replica sobre el ruido cambiante). Al tratar los bloques como un efecto fijo, puede asignar el efecto del ruido y, lo que es más importante, determinar si los efectos de los factores experimentales se repiten sobre el ruido cambiante. Este último se estima mediante interacciones bloque por factor. En la experimentación industrial y el diseño de productos, robusto significa la ausencia de interacciones de ruido por factor (el efecto de los factores/interacciones es el mismo sobre el ruido cambiante). Si no, te encontrarás con problemas con el tiempo. Usando el ejemplo de materiales entrantes de lote a lote; Si hay un efecto (factor o interacción) que depende de mucho material entrante, desea identificar esto temprano en el diseño para que pueda diseñar su producto resistente al material entrante. Si confunde la materia prima con el bloque y trata el bloque como un efecto fijo, puede estimar el efecto de las variables en el bloque. y interacciones bloque por factor. Desafortunadamente, la mayoría de los programas de software confunden las interacciones bloque por factor con el término de error. Deberá especificar esos efectos manualmente (escriba su propio modelo). Citaré al Dr. Box "Bloquee lo que pueda, aleatorice lo que no pueda". Mi interpretación de esta cita es que si puede identificar el ruido, es mejor "bloquearlo". Por supuesto, si no puede identificar el ruido, lo aleatoriza. He tenido varias discusiones con Brad Jones sobre este tema...

 

Re: Especificación del factor de bloques aleatorios en diseños DOE clásicos

Hay muchos casos para los que el DSD no es adecuado. Uno de estos casos es cuando tiene efectos aleatorios por bloqueo o aleatorización de parcelas divididas.

 

Consulte la publicación de blog de Bradley Jones sobre este tema.

Re: Especificación del factor de bloques aleatorios en diseños DOE clásicos

Dado que mencionó que el bloque fijo consume más DOF que el bloque aleatorio, ¿significaría que cambiar el atributo del factor de bloque a "efecto aleatorio" en la tabla de datos existente generada a través del DOE clásico aumentaría el poder de las estimaciones de parámetros si hay múltiples niveles del factor de bloque? ?

Re: Especificación del factor de bloques aleatorios en diseños DOE clásicosEn realidad, no es algo específico de los DOE óptimos, por lo que puede analizar totalmente un diseño clásico bloqueado con bloques aleatorios, incluso si el valor predeterminado es fijo. Realmente no hay ningún inconveniente allí. Dicho esto, si está realizando un DSD, le recomiendo encarecidamente que utilice Fit Definitive Screening para el análisis, donde no creo que pueda obligarlo a tratar a Block como aleatorio.Re: Especificación del factor de bloques aleatorios en diseños DOE clásicos

Gracias por aclarar la diferencia entre los dos efectos de bloqueo. Estoy de acuerdo en que el efecto de bloque aleatorio tiene más sentido en la mayoría de los escenarios, al menos en aquellos relevantes para mis estudios.

Lo que tengo curiosidad es cómo asignar el factor de bloque como "bloque aleatorio" al generar un diseño DOE clásico o un diseño DSD. En la plataforma DOE personalizada, puede especificar esto con bastante facilidad. Sin embargo, en DOE/DSD clásico, el factor de bloque está predeterminado como efecto fijo y solo puede cambiar su atributo después de generar la tabla de diseño (al menos que yo sepa).

¿Tiene sentido utilizar el efecto de bloques aleatorios y el método REML para el diseño DOE clásico o es algo específico del diseño personalizado?

Re: Especificación del factor de bloques aleatorios en diseños DOE clásicos

Los bloques fijos y los bloques aleatorios se tratan de manera diferente en la optimización del diseño, y debe usar el tipo de bloque que corresponda a cómo ajustará su modelo. Consumen grados de libertad de manera diferente, por lo que habrá un impacto en la forma en que se asignan los puntos en su espacio de diseño según el tipo de bloques que haya seleccionado.Observe la diferencia en los tamaños de diseño mínimos y recomendados entre los 2 enfoques.Los bloques fijos generalmente requieren más carreras.

 

Hay algunas razones por las que podría tratar un bloque como fijo, pero encuentro que los bloques aleatorios tienen más sentido en la mayoría de los contextos que he visto, particularmente si su objetivo es tener en cuenta la variación causada por los bloques y no necesita hacer ninguna inferencia. sobre efectosPor ejemplo, si incluyo varios lotes de materia prima en mi diseño, no me importa que el Lote A aumente la respuesta promedio en 1,5 y el Lote B en -0,6 porque una vez que se consumen los Lotes A y B, desaparecen para siempre y Nunca tendré otro Lote A o Lote B.Solo quiero que los lotes que uso en el diseño sean representativos de la variación típica en los lotes de materia prima que encontraré en el futuro.