DOE: cambio de la distancia axial para un RSM en diseño personalizadoHola,
Haciendo un diseño compuesto central puedo cambiar la distancia axial para cambiar los puntos axiales que están más dentro o más allá de la cara. ¿Hay algo similar en el diseño personalizado usando un RSM como base? También puedo hacerlo con diseño de aumento, pero no dentro del diseño personalizado.
Gracias,
Martín
Re: DOE: cambio de la distancia axial para un RSM en diseño personalizadoNo lo creo, Martin. No puedo pensar en una forma de obtener puntos axiales con Custom Design, que no sea mediante el aumento. La razón es que un diseño con puntos axiales no será óptimo. ¿Supongo que podrías hacerlo con restricciones de factores? Pero eso parecería algo extraño.
Re: DOE: cambio de la distancia axial para un RSM en diseño personalizadoRecientemente vi este interesante papel de Cameron Wilden (un buen cliente de JMP en WL Gore) sobre la adaptación de algoritmos de diseño óptimos para crear diseños con puntos axiales.
Re: DOE: cambio de la distancia axial para un RSM en diseño personalizadoAcabo de probar y también creo que crear un diseño personalizado i-óptimo con efectos de interacción en el modelo, luego aumentar este diseño con puntos axiales y puntos centrales debería funcionar.
Gracias por la referencia del documento, lo comprobaré también.
Re: DOE: cambio de la distancia axial para un RSM en diseño personalizado¿Qué hay de usar un factor numérico discreto en lugar de un factor continuo?
Además, ¿por qué es importante tener puntos axiales en lugar de tener un diseño óptimo para el modelo?
Re: DOE: cambio de la distancia axial para un RSM en diseño personalizadoSupongo que te refieres a numérico discreto con 5 niveles y luego abordar la necesidad de puntos axiales de 5 niveles en lugar de 3 para un punto de estrella en la cara. Esa sería una opción, ¿verdad?
No tengo una idea completa de su problema, pero creo que su proceso no se puede operar en uno o más de los extremos de la región de diseño. Se podría argumentar que usar un diseño personalizado i-óptimo con restricciones podría ser el mejor enfoque. Y debido al hecho de que dada una magnitud razonable del error experimental general, digamos una RSD del 5 por ciento, el error de predicción reducido y la estimación mejorada de los efectos cuadráticos (curvatura) pueden no superar la complejidad adicional de requerir que cada variable sea correr en cinco niveles.
