DOE-Zentren im Vergleich zu historischen ProzesszielenIch habe eine allgemeine Frage zur Verwendung von Mittelpunkten im Vergleich zu historischen Prozesszielwerten in DoE-Studien, die im folgenden Szenario skizziert sind:
Bei der Entscheidung über die Werte, die für die hohen und niedrigen Niveaus von Faktoren in einer DoE-Studie verwendet werden sollen, wurde festgestellt, dass die hohen/niedrigen Niveaus, die den interessierenden Bereich überspannen, für einige Faktoren nicht genau symmetrisch um die aktuellen historischen Zielwerte liegen. Wäre es beim Hinzufügen mehrerer Mittelpunkte zu einem solchen Design akzeptabel, die aktuellen Zielwerte für einige Faktoren anstelle der genauen symmetrischen Mittelpunkte zu verwenden?
Mein Verständnis ist, dass der Zweck der Einbeziehung mehrerer Mittelpunkte darin besteht, ein Maß für die Variabilität zu erhalten und auch festzustellen, ob eine Krümmung vorhanden ist. Gibt es irgendeinen Schaden oder Nachteil, leicht versetzte „Mittelpunkte“ für einige Faktoren zu verwenden, um diese Ziele zu erreichen?Die Präferenz für die Verwendung der historischen Zielwerte anstelle der genauen Mittelpunkte ergibt sich aus dem Wunsch, mit historischen Daten zu vergleichen.Irgendwelche Gedanken oder Ratschläge?
DAMHIRSCHKUHBetreff: DOE-Zentren im Vergleich zu historischen ProzesszielenDanke für die sehr ausführlichen Antworten und Anregungen!Ich fand es sehr nützlich und ich hoffe, andere werden es auch tun.
Betreff: DOE-Zentren im Vergleich zu historischen ProzesszielenGute Fragen. Hier sind meine Gedanken:
1. Der typische Fehlermodus für die Pegeleinstellung ist ZU SCHMAL. Eine Hypothese ist, weil es Angst gibt, schlechte Produkte herzustellen (was uns beigebracht wurde, dies nicht zu tun). Denken Sie daran, dass Sie versuchen, Variationen zu schaffen, nicht den Gewinner auszuwählen. Mutigere Level-Einstellungen vergrößern den Inferenzraum mit geringen Ressourcenverzweigungen. Kühn, aber vernünftig ist mein Rat.
2. Die andere Beobachtung, die ich seit 35 Jahren beim Ausführen von Experimenten und beim Unterrichten von Experimenten habe, ist, vielleicht unterbewusst, der Wunsch, das "beste" Niveau in das Experiment einzubeziehen. Für sequentielles, iteratives Arbeiten ist dies nicht erforderlich. Ich glaube, dies ist der Effekt des Managements, das schnell eine Antwort will, anstatt das Problem und die kausale Struktur zu verstehen. Sagen Sie dem Management das Wort Iteration und sie denken an Zeit und Geld...
3. Der Rat, den ich gebe, ist, ALLE möglichen Ergebnisse des Experiments vorherzusagen (dh was werden Sie tun, wenn es keine praktische Änderung in den Antwortvariablen gibt? Was werden Sie tun, wenn sich die Antwortvariablen signifikant ändern, aber keiner der Faktoren signifikant ist? Was werden Sie tun, wenn es während des Experiments zu Abweichungen aufgrund besonderer Ursachen kommt? Was werden Sie tun, wenn Faktor A signifikant ist, was, wenn nicht? usw.). Darüber hinaus schlage ich vor, den Wert für die Antwortvariable für jede Behandlung vorherzusagen. Einer der Vorteile dieser Vorhersage ist, dass Sie über die Ausführungsreihenfolge nachdenken können. Angenommen, Sie sind sich bezüglich der Pegeleinstellung nicht sicher. Sie führen die Behandlungen mit dem vorhergesagten besten Wert und die Behandlung mit dem schlechtesten Wert in den ersten beiden Durchläufen des Experiments aus. Wenn keine Variation erstellt wird, überdenken Sie die Niveaueinstellung der Faktoren. Wenn eine erhebliche Menge an Abweichungen erzeugt wird, fahren Sie mit dem Experiment fort.
4. Ich habe Dr. Taguchi vor vielen Jahren einmal diese Frage gestellt. Er sagte zunächst, dass die Behandlungskombination, die zu keinem Ergebnis führte, die informativste Behandlung im Experiment sein könnte. Er verbrachte auch viel Zeit damit, zu verstehen, was tatsächlich passierte, als der Prozess fehlschlug, und erstellte eine Antwortvariable, die dieses Phänomen quantifizierte. Tatsächlich denke ich, dass Taguchis Überlegungen zu Antwortvariablen einer seiner bedeutendsten Beiträge auf diesem Gebiet sind.
5. Die Replikation nur dieser Behandlungskombination führt zu dem Problem, dass der Blockeffekt mit der replizierten Behandlung verwechselt wird. Seien Sie also vorsichtig mit diesem Ansatz.
6. Wenn Sie nur eine Behandlung verlieren, können Sie die verbleibenden Daten regressieren, um abzuschätzen, was dieses Ergebnis gewesen sein könnte, und diesen Wert verwenden, um den Rest des Experiments zu retten. (Oder verwenden Sie den Mittelwert der verbleibenden Daten als Ersatzwert, wodurch dieser Behandlungseffekt beseitigt wird). Wenn Sie ein Substitutionskonzept verwenden, ist mein Rat, mehrere Substitutionen durchzuführen und zu sehen, inwieweit sie übereinstimmen. Wenn die Vereinbarung ausreicht, dann mach mit. Wenn nicht, dann müssen Sie über zusätzliche Läufe nachdenken.
Betreff: DOE-Zentren im Vergleich zu historischen ProzesszielenIch danke Ihnen beiden für Ihre sehr gründlichen Antworten, sehr zu schätzen!
Ich denke, Sie haben beide gute Punkte angesprochen, um sicherzustellen, dass die Faktorbereiche breit genug sind, oder einfach die Faktorstufen breiter zu machen, damit sie gleich weit vom Ziel entfernt sind. Die Sorge, einige der Faktorniveaus zu weit zu machen, besteht darin, wie Sie vielleicht erraten haben, dass einige Faktorkombinationen den Prozess möglicherweise so sehr stören könnten, dass ein quantitativer Wert für die Antworten nicht erhalten werden könnte. Solche Experimente innerhalb des Designs würden dann einfach zu Pass/Fail führen. Ich denke, dies ist ein ziemlich häufiges Anliegen, das bei der Festlegung von Bereichen für DoE-Studien auftaucht.
Wenn eine solche Situation während einer DoE auftritt, was würden Sie als beste Vorgehensweise empfehlen?Wiederholen Sie einfach die fehlgeschlagenen Experimente mit engeren Bereichen für die Faktoren?Geben Sie einen Extremwert als Antwort ein oder geben Sie im Modell auf andere Weise an, dass ein solches Experiment fehlgeschlagen ist? Beginnen Sie das DoE mit engeren Faktorbereichen neu? Ich glaube, ich habe all diese vorgeschlagenen Möglichkeiten schon einmal gehört, als ich versuchte, mit fehlgeschlagenen Experimenten innerhalb einer DoE-Studie umzugehen.
Irgendwelche weiteren Gedanken?Nochmals vielen Dank für die Beratung!
Betreff: DOE-Zentren im Vergleich zu historischen ProzesszielenEinige weitere Gedanken zu Marks hervorragenden Ideen...
Der Grund für den Vergleich mit historischen Zielwerten kann aus dem folgenden Gedanken stammen. Da die Ebenen, auf denen Sie testen, sind nicht die aktuellen Einstellungen , Wenn das Experiment suggeriert besser Ergebnis, wenn Sie einen Faktor in die hohe (oder niedrige) Richtung bewegen, eine häufige Frage: Ist es das? besser als aktuell? Sie haben keinen solchen Vergleich im Experiment. Daher wird empfohlen, bei anfänglichen Screening-Designs immer die aktuelle Pegeleinstellung als einen der Pegel einzubeziehen.
Mittelpunkthinzufügungen zum Experimentraum bieten eine sehr effiziente Methode zum Testen der Krümmung, indem sie eine Fehlerschätzung liefern, die nicht durch Behandlungseffekte beeinflusst wird, und wenn Sie während des gesamten Experiments genügend davon zufällig ausführen, eine Methode zur Untersuchung der Stabilität des Experimentraums . Um zentrale Punkte zu erhalten, sollten natürlich alle Faktoren quantitativ/kontinuierlich sein.
Warum können Sie keine Niveaus festlegen, die von den historischen Zielen gleich weit entfernt sind? Sie versuchen nicht, einen Gewinner auszuwählen, sondern erstellen Variationen, die leicht analysiert werden können.
Betreff: DOE-Zentren im Vergleich zu historischen ProzesszielenSie können tun, was immer Sie wollen. Du wirst nichts kaputt machen.
Sie sammeln Daten, um sie an ein empirisches Modell anzupassen, entweder um Hypothesen über Auswirkungen zu testen oder um die Reaktion unter neuen Bedingungen vorherzusagen. Dieser Fall ist ein Regressionsproblem. Der (alleinige) Zweck eines entworfenen Experiments besteht darin, die optimalen Daten für die Regression bereitzustellen. Die Informationen in den Daten kommen durch das Modell heraus. Sie können eine verwenden ad hoc Methode oder eine prinzipielle Methode zur Gestaltung Ihrer Datensammlung. Die auf statistischen Prinzipien basierenden Entwurfsmethoden sollen eine optimale Datenerfassung unter einem bestimmten Satz von Spezifikationen ermöglichen.
Die gemeinsame symmetrische Verteilung von Faktorniveaus ist das Ergebnis entweder eines kombinatorischen Entwurfsverfahrens (z. B. faktorielle Entwürfe) oder eines optimalen Entwurfsverfahrens, wenn das lineare Regressionsmodell erster oder zweiter Ordnung ist. Die zwei bzw. drei Stufen sind die optimalen Stufen. Wenn Sie jedoch ein Experiment für eine Linearkombination dritter Ordnung entwerfen, sind die resultierenden vier optimalen Niveaus nicht symmetrisch. Wer wusste? Nun, sie sind symmetrisch um das Zentrum herum, aber sie sind nicht gleichmäßig über den Bereich verteilt.
Eine Anpassung des Designs wird also seine Optimalität verringern, aber wahrscheinlich nicht allzu sehr. Es wird sicher nicht kaputt gehen. Die Mittelpunkte sollen in Ihrem Fall auch als Kontrollläufe dienen. Sie können dies nicht für die Methode angeben, also erstellen Sie das optimale Design und verschieben Sie dann die Mittelpunkte an die gewünschte Stelle. Die neuen Mittelpunkte liefern weiterhin die Informationen, um die zufälligen Fehler unabhängig vom Modell zu schätzen und wiederum auf mangelnde Anpassung zu testen (vorausgesetzt, Sie passen ein Modell erster Ordnung an).
Eine weitere Vorsichtsmaßnahme: Stellen Sie sicher, dass die Faktorbereiche breit sind. Sei mutig. Sie denken vielleicht, dass ein breiter Bereich einige unerwünschte Reaktionen hervorrufen wird und daher vermieden werden sollte. Das ist ein gutes Ergebnis! Der Zweck des Experiments besteht nicht darin, die gewünschten Bedingungen zu finden. Der Zweck besteht darin, die Daten bereitzustellen, um ein Modell anzupassen, das die gewünschten Bedingungen findet. Das Spiel soll also die Faktorbereiche verwenden, um große Effekte (Änderungen in der Antwort) zu provozieren, die leicht zu erkennen sind (hohe Leistung) mit geringen Standardfehlern (hohe Präzision, stabil).
