Unzulässige Faktorkombinationen und/oder lineare Einschränkungen mithilfe des DSD-Ansatzes implementieren?Hallo allerseits,
Ich habe derzeit Schwierigkeiten, die Vorteile der DSD-Plattform mit der Custom-Design-Plattform zu kombinieren, und habe keine einigermaßen praktikable Lösung gefunden.
Die Aufgabe besteht darin, etwa 30 kontinuierliche Variablen und 8 kategoriale Variablen mit möglichst wenigen Durchläufen (derzeit etwa 90) zu untersuchen UND Kombinationen zu verwerfen, die aufgrund des Prozesswissens keinen Sinn ergeben. Darüber hinaus sind wir hauptsächlich an Interaktionen interessiert, da wir bereits wissen, dass viele Haupteffekte (für sich allein) existieren.
Alle Vorschläge sind willkommen.
Mit freundlichen Grüße
Egon
Betreff: Unzulässige Faktorkombinationen und/oder lineare Einschränkungen mithilfe des DSD-Ansatzes implementieren?Guten Morgen allerseits,
Vielen Dank für Ihren Beitrag, der intern mit meinen Kollegen im Rahmen dieses Projekts besprochen wird. Ich werde Sie über das Ergebnis informieren.
Mit freundlichen Grüße
Egon
Betreff: Unzulässige Faktorkombinationen und/oder lineare Einschränkungen mithilfe des DSD-Ansatzes implementieren?OK, @Mark_Bailey , du hast mich dazu angespornt, einen Beitrag zu leisten. Ich habe ein paar Gedanken dazu @egon_gross .
1. Wie sicher sind Sie aus rein logistischer Sicht, dass Sie in jeder Behandlungskombination tatsächlich alle 38 Faktoren auf die erforderlichen Werte einstellen können? Sie sagten, Sie möchten alle Haupteffekte und eine nicht spezifizierte Sammlung von Interaktionen ... in nicht spezifizierter Effektreihenfolge (2-Wege, 3-Wege oder mehr?). Gehen wir also einfach davon aus, dass Sie die Hälfte aller möglichen Zwei-Faktor-Wechselwirkungen und ein paar Freiheitsgrade für die Wirkungsabschätzung übrig haben möchten ... Sie sehen also ein Minimum von VIELEN BEHANDLUNGS-Kombinationen. Mit 38 Faktoren! Ich habe die Erfahrung gemacht, dass selbst mit weniger als 10 Faktoren, als ich in Teams war, die geplante Experimente durchführten, die Dinge durcheinander kamen, egal wie sehr wir es versuchten. Jemand hat einen Wert falsch eingestellt, versehentlich eine Behandlungskombination dupliziert und/oder eine erforderliche Behandlungskombination nicht ausgeführt ... was enorme Auswirkungen auf die Wirkungsabschätzung haben wird. Oder vielleicht setzen Sie die Kombination in den falschen Block ... oder in einen anderen experimentellen Ausführungsfehlermodus. Und schlimmer noch, wir wussten oft nicht, dass wir den Fehler gemacht hatten! Apropos Blockieren ... nun zu einem zweiten Gedanken.
2. Bei einem großen Experiment kann ich mir Szenarien vorstellen, in denen eine Blockierung erforderlich sein könnte. Wenn das Experiment beispielsweise über mehr als einen Tag hinweg durchgeführt werden muss und die Leute befürchten, dass es einen Effekt von Tag zu Tag geben könnte, sollte der Tag zu einem blockierenden Faktor werden. Oder wie wäre es mit einem Szenario, in dem jemand beschließt, das Experiment beispielsweise mit zwei, drei oder mehr Reaktionsgefäßen durchzuführen, um den Zeitaufwand zu minimieren? Ein weiterer blockierender Faktor. Und da das Blockieren eine Form der eingeschränkten Randomisierung ist ... weiter zu meinem dritten Gedanken.
3. Als @Mark_Bailey schlägt vor, können Sie die Reihenfolge der experimentellen Ausführung vollständig randomisieren? Wenn nicht, ist eine Art Split-Plot-Design erforderlich, dann sind Sie definitiv im Custom Design-Steuerhaus von JMP. Nun zu meinem letzten Gedanken.
Ich wünsche Ihnen alles Gute ... wenn das Experiment funktioniert und Sie bereit sind, es zu teilen, wäre ein JMP-Blogeintrag vielleicht eine tolle Geschichte!
Betreff: Unzulässige Faktorkombinationen und/oder lineare Einschränkungen mithilfe des DSD-Ansatzes implementieren?Die Reihenfolge der Antworten ist nicht chronologisch. Es hängt davon ab, auf welche Schaltfläche „Antworten“ Sie klicken. Ich hoffe, dass diese Antwort am Ende ist!
Ein Kollege, @P_Bartell , hat zwei sehr wichtige Fragen angesprochen. Das erste Problem ist, wie unpraktisch eine Randomisierung bei so vielen Faktoren sein wird. Dieses Problem bedeutet, dass Sie ein benutzerdefiniertes Split-Plot-Design und kein DSD verwenden müssen. Die zweite Frage ist, wie gut man jeden Durchlauf eines Experiments mit so vielen Faktoren kontrollieren kann.
Ich hoffe, dass Peter diesem Thread seinen tiefgreifenden Einblick in diese beiden Themen hinzufügt.
Betreff: Unzulässige Faktorkombinationen und/oder lineare Einschränkungen mithilfe des DSD-Ansatzes implementieren?Nur eine Ergänzung zu Marks ausgezeichnetem Beitrag. Ich muss sagen, ich bin etwas verwirrt. Sie wissen bereits, dass es 38 Faktoren gibt, die einen Einfluss haben? Und jetzt möchten Sie Terme 2. Ordnung untersuchen? Das ist sehr ungewöhnlich. Es folgt nicht einem der Prinzipien des Experimentierens: Wirkungsknappheit? Wenn so viele Faktoren untersucht werden müssen, würde ich normalerweise eine Art gezielte Stichprobenstudie (Variationskomponentenstudie) vorschlagen, um die Anzahl auf eine für Experimente überschaubarere Größe zu reduzieren. Ich kann mir nicht vorstellen, dass es ein Vorhersagemodell mit so vielen Begriffen gibt. Es wäre praktisch unmöglich, dass dieses Modell in der „realen Welt“ anwendbar wäre. Der andere Gedanke, den ich habe, ist, dass Sie überhaupt nicht über Lärm sprechen. Von kurzfristigen Rauschelementen (z. B. Messfehler) bis hin zu langfristigen Elementen (z. B. Umgebungsbedingungen, Schwankungen der Eingangsvariablen von Charge zu Charge). Ich muss sagen, Sie haben mein Interesse an dem, was Sie studieren, geweckt.
Betreff: Unzulässige Faktorkombinationen und/oder lineare Einschränkungen mithilfe des DSD-Ansatzes implementieren?Das manuelle Eliminieren von Läufen in einem DSD oder das Anpassen von Ebenen in vorhandenen Läufen zerstört die Faltstruktur, von der die eindeutige Analyse abhängt. Zu diesem Zeitpunkt ist das resultierende Design kein DSD mehr und bietet nicht mehr die Vorteile eines DSD. Ich bin einverstanden mit @ian_jmp dass wir in der Lage sein sollten, ein individuelles Design zu finden, das funktioniert.
Ich möchte den folgenden Ansatz nicht vorschlagen, da ich glaube, dass die realistischsten Daten aus einem Experiment mit allen relevanten Faktoren stammen, aber dieser Ansatz ist nicht immer möglich. Eine andere Möglichkeit wäre, die Faktoren auf zwei oder mehr Experimente aufzuteilen. Bei diesem Ansatz besteht die Gefahr, dass interagierende Faktoren voneinander getrennt werden. Sie können diese Interaktionen nicht modellieren und sie könnten ein Schlüsselmerkmal des Prozessverhaltens sein. Es erfordert ausreichend Prozesswissen über Wechselwirkungen, um risikoarme Entscheidungen darüber zu treffen, welche Faktoren getrennt werden sollen.
Betreff: Unzulässige Faktorkombinationen und/oder lineare Einschränkungen mithilfe des DSD-Ansatzes implementieren?Das DSD ist etwas starr und bietet nicht für jeden Fall eine Lösung. In dieser Situation sollten Sie benutzerdefiniertes Design verwenden. Der Rest meiner Antwort basiert auf individuellem Design.
Haben Sie die 38 Faktoren bereits überprüft? Sind die Daten verfügbar? Könnte es möglich sein, die vorhandenen Daten zu erweitern, um sie an das neue Modell anzupassen und die Interaktionen zu testen? Augmentation ist eine großartige Möglichkeit, mit neuen Erkenntnissen mehr zu lernen und gleichzeitig vorhandene Daten für die Wirtschaft zu nutzen.
Wenn Sie sagen „ergibt keinen Sinn“, meinen Sie dann, dass diese Behandlungen physikalisch unmöglich sind, oder meinen Sie, dass sie wahrscheinlich zu schlechten Ergebnissen (unerwünschten Reaktionen) führen werden? A prüfen ist eine Art Ratespiel, bei dem „der Gewinner ermittelt“ wird. Ein Experiment ist ein entworfener Plan zum Sammeln von Daten, die zu einem Modell passen, unabhängig von der Erwünschtheit der Antworten. Es gibt einen großen Unterschied zwischen diesen beiden Ansätzen und den ihnen zugrunde liegenden Denkweisen. Wenn bei Ihnen ersteres der Fall ist, gibt es Möglichkeiten, unsinnige Läufe zu vermeiden. Wenn bei Ihnen Letzteres der Fall ist, würde ich Runs aufgrund von Vorurteilen nicht eliminieren.
Ich würde alle Zwei-Faktor-Interaktionen hinzufügen.Verfügen Sie über Prozesskenntnisse über die Interaktionseffekte? Wenn Sie wissen, dass eine Interaktion nicht möglich ist, entfernen Sie diesen Begriff. Wenn Sie wissen, dass eine Interaktion aktiv ist, behalten Sie sie bei (primärer Effekt). Für den Rest ändern Sie ihre Schätzbarkeit aus Notwendig Zu Wenn möglich (potenzielle Wirkung). Diese Änderung führt zu einem Bayesianisches optimales Design . Es setzt die Mindestanzahl der Läufe zurück, die immer der Anzahl der Parameter entspricht, die zur Schätzung erforderlich sind. Diese Änderung trägt dazu bei, dass das Design wirtschaftlich ist und Ihrem Budget entspricht. Wir empfehlen, mehr als die Mindestanzahl an Läufen zu verwenden. Ein guter Ansatz besteht darin, die potenziellen Interaktionen zu berücksichtigen und zu entscheiden, wie viele tatsächlich aktiv sein werden. Natürlich kennen Sie diese Zahl nicht, aber machen Sie eine fundierte Vermutung. Fügen Sie für jeden dieser Effekte 3-4 Durchläufe hinzu. Wenn ich beispielsweise 30 potenzielle Interaktionen habe, aber erwarte, dass nur 4 davon aktiv sind, dann würde ich 12 bis 16 Durchläufe zum Minimum hinzufügen.
Geht es bei dieser Studie in erster Linie um Screening-Effekte? Sie haben angegeben, dass Sie bereits wissen, dass die 30+8 Faktoren aktiv sind, sodass Sie keine Faktoren überprüfen müssten. Wenn ja, dann belassen Sie das empfohlene Kriterium: D-optimal. Wenn Ihr primäres Ziel die Modellauswahl mit anschließender Optimierung ist, ändern Sie das Kriterium auf I-optimal. Wenn Ihr Ziel eine Kombination aus Screening-Effekten und Optimierung ist, ändern Sie das Kriterium auf A-optimal.
Sie möchten die Notwendigkeit der Wirtschaftlichkeit mit der Notwendigkeit guter Schätzungen der Modellparameter oder der Reaktion in Einklang bringen. Die große Anzahl von Termen im Modell führt zu einer großen Anzahl von Durchläufen, aber nicht unbedingt zu einer großen Anzahl von Fehlerfreiheitsgraden, die zur Festlegung von Konfidenzintervallen und Hypothesentests für Ihre Entscheidungen verwendet werden. Daher erhoffen Sie sich im Allgemeinen Effekte, die drei- bis viermal so groß sind wie die Standardabweichung der Antwort. Stellen Sie sicher, dass Sie den Bereich der kontinuierlichen Faktoren erweitern, um die größten Effekte zu erzielen. Schränken Sie die Bereiche nicht um das Niveau ein, das Sie als optimal erachten. Das ist ein Testansatz. Das breitere Spektrum unterstützt den experimentierfreudigen Ansatz.
Betreff: Unzulässige Faktorkombinationen und/oder lineare Einschränkungen mithilfe des DSD-Ansatzes implementieren?Beim Erstellen mehrerer Designoptionen mit Custom Design stieß ich auf einen außerordentlich hohen experimentellen Aufwand, der außer Frage stand. Der zweite Ansatz – die Erstellung eines DSD, die manuelle Eliminierung nicht zulässiger Kombinationen und die anschließende Entwurfsbewertung – endete ebenfalls in einer Sackgasse. Dennoch werde ich Custom Design eine Chance geben, was mehrere lineare Einschränkungen mit sich bringt.Betreff: Unzulässige Faktorkombinationen und/oder lineare Einschränkungen mithilfe des DSD-Ansatzes implementieren?Angesichts dessen, was Sie sagen, gehe ich davon aus, dass ein individuelles Design der beste Weg wäre. Aber Sie deuten auch an, dass Sie mit dem Design, zu dem Sie mit dieser Methode gelangt sind, nicht zufrieden sind, also gibt es vielleicht noch mehr zu sagen. Wenn das von Ihnen erwähnte „Prozesswissen“ durch eine Reihe linearer Einschränkungen ausgedrückt werden kann und Sie über technologische Vorkenntnisse verfügen, dass einige gemeinsame Effekte abgeschätzt werden müssen und andere einfach keinen Sinn ergeben, dann ist dies ein kundenspezifisches Design der richtige Ansatz.
