Punti centrali del DOE rispetto agli obiettivi del processo storicoHo una domanda generale sull'uso dei punti centrali rispetto ai valori target del processo storico negli studi DoE delineati nello scenario seguente:
Al momento di decidere i valori da utilizzare per i livelli alto e basso dei fattori in uno studio DoE, è stato determinato che i livelli alto/basso che coprono l'intervallo di interesse non sono esattamente simmetrici rispetto agli attuali valori obiettivo storici per alcuni fattori. Quando si aggiungono più punti centrali a un progetto di questo tipo, sarebbe accettabile utilizzare i valori target correnti per alcuni fattori piuttosto che gli esatti punti centrali simmetrici?
La mia comprensione è che lo scopo di includere più punti centrali è ottenere una misura della variabilità e anche determinare se è presente una curvatura. C'è qualche danno o svantaggio nell'usare "punti centrali" leggermente sfalsati per alcuni fattori per raggiungere questi obiettivi?La preferenza per l'utilizzo dei valori obiettivo storici piuttosto che dei punti centrali esatti deriva dal desiderio di confrontare i dati storici.Qualche idea o consiglio?
DAIRi: Punti centrali DOE vs obiettivi di processo storiciGrazie per la risposta e i suggerimenti molto dettagliati!L'ho trovato molto utile e spero che lo facciano anche gli altri.
Ri: Punti centrali DOE vs obiettivi di processo storiciBuone domande. Ecco i miei pensieri:
1. La tipica modalità di errore per l'impostazione del livello è TROPPO STRETTO. Un'ipotesi è perché c'è la paura di fare un cattivo prodotto (cosa che ci è stato insegnato a non fare). Ricorda, stai cercando di creare una variazione, non di scegliere il vincitore. Le impostazioni di livello più audaci aumentano lo spazio di inferenza con poche ramificazioni delle risorse. Audace, ma ragionevole è il mio consiglio.
2. L'altra osservazione che ho condotto esperimenti e insegnato sperimentazione per 35 anni, c'è, forse inconsciamente, il desiderio di includere il livello "migliore" nell'esperimento. Questo non è necessario per il lavoro sequenziale e iterativo. Credo che questo sia l'effetto del management che desidera una risposta rapida piuttosto che comprendere il problema e la struttura causale. Pronuncia la parola iterazione al management e pensano che tempo e denaro...
3. Il consiglio che do è di PREDIRE TUTTI i possibili esiti dell'esperimento (cioè, cosa farai se non ci saranno cambiamenti pratici nelle variabili di risposta? Cosa farai se c'è un cambiamento significativo nelle variabili di risposta, ma nessuno dei fattori è significativo? Cosa farai se durante l'esperimento si verifica una variazione di causa speciale? Cosa farai se il fattore A è significativo, e se non lo è?, ecc.). Inoltre, suggerisco di prevedere il valore della variabile di risposta per ciascun trattamento. Uno dei vantaggi di questa previsione è che puoi pensare all'ordine di esecuzione. Supponiamo che tu sia incerto sull'impostazione del livello. Esegui i trattamenti che si prevede abbiano il valore migliore e il trattamento che si prevede abbia il valore peggiore come prime 2 esecuzioni dell'esperimento. Se non viene creata alcuna variazione, ripensare l'impostazione del livello dei fattori. Se è stata creata una quantità significativa di variazione, procedere con l'esperimento.
4. Una volta ho posto questa stessa domanda al dottor Taguchi molti anni fa. Ha detto in primo luogo che la combinazione di trattamento che non ha prodotto alcun risultato potrebbe essere il trattamento più informativo dell'esperimento. Ha anche trascorso molto tempo cercando di capire cosa è realmente accaduto quando il processo è fallito e ha creato una variabile di risposta che quantificava quel fenomeno. In effetti, penso che il pensiero di Taguchi sulle variabili di risposta sia uno dei suoi contributi più significativi nel campo.
5. Replicare solo quella combinazione di trattamento porta al problema di confondere l'effetto blocco con il trattamento replicato, quindi sii cauto con questo approccio.
6. Se perdi solo un trattamento, puoi regredire sui dati rimanenti per stimare quale potrebbe essere stato quel risultato e utilizzare quel valore per salvare il resto dell'esperimento. (Oppure utilizzare la media dei dati rimanenti come valore sostitutivo che ha l'effetto di rimuovere tale effetto del trattamento). Se usi un concetto di sostituzione, il mio consiglio è di fare più sostituzioni e vedere fino a che punto sono d'accordo. Se l'accordo è sufficiente, seguilo. In caso contrario, devi pensare a corse aggiuntive.
Ri: Punti centrali DOE vs obiettivi di processo storiciGrazie a entrambi per le vostre risposte molto esaustive, molto apprezzate!
Penso che entrambi abbiate sollevato punti positivi relativi all'assicurarsi che gli intervalli dei fattori siano sufficientemente ampi o semplicemente ad ampliare i livelli dei fattori per renderli equidistanti dall'obiettivo. La preoccupazione di rendere troppo ampi alcuni dei livelli dei fattori è, come avrete intuito, che alcune combinazioni di fattori potrebbero potenzialmente interrompere il processo così tanto da non poter ottenere un valore quantitativo per le risposte. Tali esperimenti all'interno del progetto diventerebbero quindi semplicemente superati / falliti. Penso che questa sia una preoccupazione piuttosto comune che viene sollevata quando si impostano gli intervalli per gli studi DoE.
Se una situazione del genere si verifica durante un DoE, cosa consiglieresti come miglior linea d'azione?Ripetere solo gli esperimenti falliti con intervalli più ristretti per i fattori?Immettere un valore estremo come risposta o in qualche modo indicare altrimenti nel modello che tale esperimento è fallito? Ricominciare il DoE con intervalli di fattori più ristretti? Credo di aver già sentito tutte queste possibilità suggerite prima quando cercavo di affrontare esperimenti falliti all'interno di uno studio DoE.
Qualche ulteriore pensiero?Grazie ancora per il consiglio!
Ri: Punti centrali DOE vs obiettivi di processo storiciQualche ulteriore riflessione da aggiungere alle ottime idee di Mark...
La ragione per voler confrontare i valori obiettivo storici può derivare dal seguente pensiero. Poiché i livelli a cui stai testando sono non le impostazioni correnti , Se l'esperimento suggerisce Meglio risultato se sposti un fattore nella direzione alta (o bassa), una domanda comune: è così Meglio rispetto all'attuale? Non hai tale confronto nell'esperimento. Pertanto, quando si eseguono i progetti di screening iniziali, si consiglia di includere sempre l'impostazione del livello corrente come uno dei livelli.
Le aggiunte di punti centrali allo spazio dell'esperimento forniscono un modo molto efficiente di testare la curvatura, fornendo una stima dell'errore che non è distorta dagli effetti del trattamento e se ne esegui un numero sufficiente in modo casuale durante l'esperimento, un metodo per esaminare la stabilità dello spazio dell'esperimento . Naturalmente, per ottenere punti centrali tutti i fattori dovrebbero essere quantitativi/continui.
Perché non puoi impostare livelli equidistanti dai target storici? Non stai cercando di scegliere un vincitore, ma di creare una variazione che può essere facilmente analizzata.
Ri: Punti centrali DOE vs obiettivi di processo storiciPuoi fare quello che vuoi. Non romperai niente.
Stai raccogliendo dati per adattare un modello empirico per testare ipotesi sugli effetti o per prevedere la risposta in nuove condizioni. Questo caso è un problema di regressione. L'unico scopo di un esperimento progettato è fornire i dati ottimali per la regressione. Le informazioni nei dati escono attraverso il modello. Puoi usare un ad hoc metodo o un metodo di principio per progettare la tua raccolta di dati. I metodi di progettazione basati su principi statistici hanno lo scopo di fornire una raccolta di dati ottimale in base a un determinato insieme di specifiche.
La comune distribuzione simmetrica dei livelli dei fattori è il risultato di un metodo di progettazione combinatoria (ad esempio, disegni fattoriali) o di un metodo di progettazione ottimale quando il modello di regressione lineare è di primo o secondo ordine. I due o tre livelli, rispettivamente, sono i livelli ottimali. Ma se si progetta un esperimento per una combinazione lineare di terzo ordine, i quattro livelli ottimali risultanti non sono simmetrici. Chi lo sapeva? Beh, sono simmetrici rispetto al centro, ma non sono equidistanti nell'intervallo.
Quindi adattare il design ridurrà la sua ottimalità ma probabilmente non di molto. Di certo non si romperà. I punti centrali nel tuo caso servono anche come punti di controllo. Non puoi specificarlo nel metodo, quindi crea il design ottimale e poi sposta i punti centrali dove vuoi. I nuovi punti centrali forniranno comunque le informazioni per stimare gli errori casuali indipendenti dal modello e, a loro volta, verificare la mancanza di adattamento (supponendo che tu stia adattando un modello del primo ordine).
Un'altra precauzione: assicurarsi di ampliare gli intervalli dei fattori. Essere audace. Potresti pensare che una vasta gamma produrrà alcune risposte indesiderabili e, quindi, dovrebbe essere evitata. Questo è un buon risultato! Lo scopo dell'esperimento non è trovare le condizioni desiderate. Lo scopo è quello di fornire i dati per adattare un modello che troverà le condizioni desiderate. Quindi il gioco consiste nell'usare gli intervalli di fattori per provocare grandi effetti (cambiamenti nella risposta) che sono facili da rilevare (alta potenza) con errori standard bassi (alta precisione, stabile).
