Puntos centrales del DOE frente a objetivos de procesos históricosTengo una pregunta general sobre el uso de puntos centrales frente a los valores objetivo del proceso histórico en los estudios del DoE descritos en el siguiente escenario:
Al decidir los valores que se utilizarán para los niveles alto y bajo de los factores en un estudio del Departamento de Energía, se determinó que los niveles alto/bajo que abarcan el rango de interés no son exactamente simétricos en torno a los valores objetivo históricos actuales para algunos factores. Al agregar varios puntos centrales a un diseño de este tipo, ¿sería aceptable usar los valores objetivo actuales para algunos factores en lugar de los puntos centrales simétricos exactos?
Tengo entendido que el propósito de incluir múltiples puntos centrales es obtener una medida de la variabilidad y también determinar si hay alguna curvatura presente. ¿Hay algún daño o desventaja en el uso de "puntos centrales" ligeramente desplazados para algunos factores para lograr estos objetivos?La preferencia por utilizar los valores objetivo históricos en lugar de los puntos centrales exactos surge del deseo de comparar con los datos históricos.¿Alguna idea o consejo?
GAMARe: Puntos centrales del DOE frente a objetivos de procesos históricos¡Gracias por la respuesta tan detallada y las sugerencias!Lo encontré muy útil y espero que otros también lo hagan.
Re: Puntos centrales del DOE frente a objetivos de procesos históricosBuena pregunta. Aquí están mis pensamientos:
1. El modo de falla típico para la configuración de nivel es DEMASIADO ESTRECHO. Una hipótesis es porque existe el temor de hacer un mal producto (que nos han enseñado a no hacer). Recuerde, usted está tratando de crear una variación, no de elegir al ganador. Los ajustes de nivel más audaces aumentan el espacio de inferencia con pocas ramificaciones de recursos. Audaz, pero razonable es mi consejo.
2. La otra observación que tengo realizando experimentos y enseñando experimentación durante 35 años, existe, tal vez subconscientemente, un deseo de tener el "mejor" nivel incluido en el experimento. Esto no es necesario para el trabajo secuencial e iterativo. Creo que este es el efecto de que la gerencia quiera una respuesta rápida en lugar de comprender el problema y la estructura causal. Diga la palabra iteración a la gestión y pensarán en tiempo y dinero...
3. El consejo que doy es PREDECIR TODOS los resultados posibles del experimento (es decir, ¿qué hará si no hay un cambio práctico en las variables de respuesta? ¿Qué hará si hay un cambio significativo en las variables de respuesta, pero ninguno de los factores es significativo? ¿Qué hará si hay una variación de causa especial durante el experimento? ¿Qué harás si el factor A es significativo, ¿Qué pasa si no lo es?, etc.). Además, sugiero predecir el valor de la variable respuesta para cada tratamiento. Uno de los beneficios de esta predicción es que puede pensar en el orden de ejecución. Digamos que no está seguro acerca de la configuración del nivel. Ejecuta los tratamientos previstos para tener el mejor valor y el tratamiento previsto para tener el peor valor como las primeras 2 ejecuciones del experimento. Si no se crea ninguna variación, se vuelve a pensar en la configuración del nivel de los factores. Si se crea una cantidad significativa de variación, continúe con el experimento.
4. Una vez le hice esta misma pregunta al Dr. Taguchi hace muchos años. Primero dijo que la combinación de tratamientos que no produjo ningún resultado puede ser el tratamiento más informativo del experimento. También dedicó una buena cantidad de tiempo a tratar de comprender qué sucedió realmente cuando el proceso falló y creó una variable de respuesta que cuantificaba ese fenómeno. De hecho, creo que el pensamiento de Taguchi sobre las variables de respuesta es una de sus contribuciones más significativas al campo.
5. Reproducir solo esa combinación de tratamientos conduce al problema de confundir el efecto de bloqueo con el tratamiento replicado, así que tenga cuidado con este enfoque.
6. Si pierde solo un tratamiento, puede retroceder en los datos restantes para estimar cuál pudo haber sido ese resultado y usar ese valor para salvar el resto del experimento. (O utilice la media de los datos restantes como el valor de sustitución que tiene el efecto de eliminar ese efecto de tratamiento). Si usa un concepto de sustitución, mi consejo es hacer varias sustituciones y ver hasta qué punto concuerdan. Si el acuerdo es suficiente, entonces adelante. Si no, entonces tienes que pensar en carreras adicionales.
Re: Puntos centrales del DOE frente a objetivos de procesos históricos¡Gracias a ambos por sus respuestas tan completas, muy apreciadas!
Creo que ambos plantearon buenos puntos relacionados con asegurarse de que los rangos de los factores sean lo suficientemente amplios o simplemente ampliar los niveles de los factores para que sean equidistantes del objetivo. La preocupación por hacer que algunos de los niveles de los factores sean demasiado amplios es, como habrás adivinado, que algunas combinaciones de factores podrían romper tanto el proceso que no se podría obtener un valor cuantitativo para las respuestas. Dichos experimentos dentro del diseño se convertirían simplemente en aprobado/desaprobado. Creo que esta es una preocupación bastante común que surge al establecer rangos para los estudios DoE.
Si tal situación ocurre durante un DoE, ¿cuál recomendaría como el mejor curso de acción?¿Repetir solo los experimentos fallidos con rangos más estrechos para los factores?¿Ingresar un valor extremo como respuesta o indicar de alguna otra manera en el modelo que dicho experimento falló? ¿Comenzar el Departamento de Energía nuevamente con rangos de factores más estrechos? Creo que he escuchado todas estas posibilidades sugeridas antes al tratar de lidiar con experimentos fallidos dentro de un estudio del Departamento de Energía.
¿Algún otro pensamiento?¡Gracias de nuevo por el consejo!
Re: Puntos centrales del DOE frente a objetivos de procesos históricosAlgunas ideas adicionales para agregar a las excelentes ideas de Mark...
La razón para querer comparar con valores objetivo históricos puede provenir del siguiente pensamiento. Dado que los niveles en los que está probando son no la configuración actual , si el experimento sugiere mejor resultado si mueve un factor en la dirección alta (o baja), una pregunta común: ¿es mejor que actual? No tienes tal comparación en el experimento. Por lo tanto, cuando se realicen diseños de selección iniciales, se recomienda incluir siempre la configuración del nivel actual como uno de los niveles.
Las adiciones de puntos centrales al espacio del experimento brindan una forma muy eficiente de probar la curvatura, brindan una estimación del error que no está sesgada por los efectos del tratamiento y, si ejecuta suficientes de ellos aleatoriamente a lo largo del experimento, un método para examinar la estabilidad del espacio del experimento. . Por supuesto, para obtener puntos centrales, todos los factores deben ser cuantitativos/continuos.
¿Por qué no puede establecer niveles equidistantes de los objetivos históricos? No está tratando de elegir un ganador, sino de crear una variación que pueda analizarse fácilmente.
Re: Puntos centrales del DOE frente a objetivos de procesos históricosPuedes hacer lo que quieras. No romperás nada.
Está recopilando datos para ajustar un modelo empírico, ya sea para probar hipótesis sobre los efectos o para predecir la respuesta en nuevas condiciones. Este caso es un problema de regresión. El (único) propósito de un experimento diseñado es proporcionar los datos óptimos para la regresión. La información en los datos sale a través del modelo. Puedes usar un ad hoc método o un método basado en principios para diseñar su recopilación de datos. Los métodos de diseño basados en principios estadísticos están destinados a proporcionar una recopilación de datos óptima bajo un conjunto determinado de especificaciones.
La distribución simétrica común de los niveles de los factores es el resultado de un método de diseño combinatorio (por ejemplo, diseños factoriales) o un método de diseño óptimo cuando el modelo de regresión lineal es de primer o segundo orden. Los dos o tres niveles, respectivamente, son los niveles óptimos. Pero si diseña un experimento para una combinación lineal de tercer orden, los cuatro niveles óptimos resultantes no son simétricos. ¿Quien sabe? Bueno, son simétricos en el centro, pero no están espaciados uniformemente en el rango.
Por lo tanto, adaptar el diseño reducirá su optimización, pero probablemente no tanto. Seguro que no se romperá. Los puntos centrales en su caso están destinados a servir también como recorridos de control. No puede especificar eso en el método, así que haga el diseño óptimo y luego mueva los puntos centrales a donde los desee. Los nuevos puntos centrales aún proporcionarán la información para estimar los errores aleatorios independientemente del modelo y, a su vez, probar la falta de ajuste (suponiendo que esté ajustando un modelo de primer orden).
Otra precaución: asegúrese de que los rangos de factores sean amplios. Sé audaz. Podría pensar que un amplio rango producirá algunas respuestas indeseables y, por lo tanto, debe evitarse. ¡Ese es un buen resultado! El propósito del experimento no es encontrar las condiciones deseadas. El propósito es proporcionar los datos para ajustar un modelo que encontrará las condiciones deseadas. Entonces, el juego consiste en usar los rangos de factores para provocar efectos grandes (cambios en la respuesta) que sean fáciles de detectar (alta potencia) con errores estándar bajos (alta precisión, estable).
