DOE con 5 categóricos multinivel. ¿El mejor enfoque secuencial para encontrar el óptimo?Hola,
Espero que tengas algunas ideas para este interesante problema.
Tenemos el objetivo de encontrar los ajustes que optimicen el rendimiento de una reacción química.
Hay 5 factores categóricos para diferentes elecciones de reactivos, reactivos, ligandos, solventes (tabla de factores adjunta). Los factores tienen entre 3 y 12 niveles.
Hay 4608 combinaciones posibles de niveles de factores. ¡No es factible ejecutarlos todos!
Es posible realizar 48 corridas simultáneamente, lo que requiere aproximadamente 2 días de trabajo de laboratorio.
Entonces, en la primera etapa, ejecutamos un diseño de proyección de efectos principales personalizado con 48 corridas (adjunto).
Este primer bloque de ejecuciones revela información útil:
- Reactant_1 y Reactant_2 tienen el mayor efecto.
- Algunas combinaciones dan rendimientos> 90%.
Distribución del% de rendimiento y 5 factores para el experimento de selección de 48 ciclos.
La pregunta es: ¿qué sigue? ¿Cuáles deberían ser las próximas 48 carreras?
Re: DOE con 5 categóricos multinivel. ¿El mejor enfoque secuencial para encontrar el óptimo?Hola Phil,
Gracias por destacar este ejemplo, esto parece importante para una serie de clientes que se centran en el gran experimento en lugar de en un enfoque secuencial. ¡Y esto es un rascador de cabeza, así que estoy ansioso por explorar lo que todos piensan!
Podría ser útil considerar si tenemos motivos para descartar niveles de factores. Usando Detalles del efecto (mejor que mi sugerencia inicial de Fit Y by X) y un TK HSD (siendo lo más conservador posible), ¿tal vez haya motivos para eliminar 6-Cl-Q (Reactante 1) y Trifluoroborato (Reactante 2) como niveles? También es interesante que mientras que "Ninguno" para el ligando es el 2º al rendimiento medio más bajo, "Ninguno" para el Reactivo 1 tiene un rendimiento medio. No es lo mismo que un factor nulo, pero tal vez centrarse en si algunos reactivos 1 que tienen un impacto negativo podrían ser útiles en los próximos 48.
Saludos cordiales,
Ben
Re: DOE con 5 categóricos multinivel. ¿El mejor enfoque secuencial para encontrar el óptimo?Si incluye la interacción entre Reactante 1 y 2 en el modelo, hay una combinación de factores en el generador de perfiles que llevan el rendimiento al 99%. En lugar de explorar otras combinaciones de factores con EOD posteriores, tal vez sea mejor pasar ahora a un conjunto de experimentos de confirmación para validar que esas configuraciones identificadas rendirán 99% en la práctica.
Re: DOE con 5 categóricos multinivel. ¿El mejor enfoque secuencial para encontrar el óptimo?Buen punto @Mella , ¿quizás podríamos usar el simulador para encontrar un conjunto de candidatos de alto rendimiento pronosticado (Obj> 0,95)? Esto conduce a 23 conjuntos de candidatos en el archivo adjunto.
Re: DOE con 5 categóricos multinivel. ¿El mejor enfoque secuencial para encontrar el óptimo?Gracias @benfrancis y @nick_shelton .
Ambas buenas ideas.
Algunas pruebas de confirmación en torno a la mejor configuración actual predicha parecerían una buena idea. Pero creo que podríamos querer hacer más con las próximas 48 carreras que tenemos.
Ampliando lo que sugirió Ben, miré las estimaciones escaladas y hay niveles de categoría de algunos factores que son significativamente peores que los demás, por ejemplo, ligando [Xantphos].
(Xantphos es el peor ligando de todos los tiempos, ¿no es así? Personalmente, nunca usaría Xantphos para nada.:)).
Parecería racional y justificado eliminar estos niveles de categoría de las ejecuciones posteriores.
De manera similar, estaríamos justificados en deshacernos de 2 de los niveles de Reactante 2 y simplemente usar ácido borónico.
¿Alguien ha intentado usar Augment en variables categóricas? Parece que no puedo averiguar cómo eliminar un nivel de categoría antes de aumentar.
Salud,
Phil
Re: DOE con 5 categóricos multinivel. ¿El mejor enfoque secuencial para encontrar el óptimo?Me gusta esa idea, @benfrancis .
Idealmente, seleccionaríamos un conjunto de 48 corridas que son:
- Previsto a partir de nuestro modelo actual para tener un alto rendimiento
- Óptimo para probar el modelo de interés
Entonces tal vez podríamos:
- Genere un conjunto de candidatos muy grande de miles de ejecuciones (digamos, el factorial completo) y luego
- Seleccione de esto un subconjunto de cientos de ejecuciones que se predice que tendrán un rendimiento por encima de algún umbral.
- Úselos como un conjunto de candidatos y diseño personalizado con factores covariables para determinar el 48 óptimo para probar el modelo
Re: DOE con 5 categóricos multinivel. ¿El mejor enfoque secuencial para encontrar el óptimo?En el diseño de aumento, no puede eliminar niveles categóricos, pero puede establecer una restricción de factor para evitar que las nuevas ejecuciones utilicen ciertos niveles.
Re: DOE con 5 categóricos multinivel. ¿El mejor enfoque secuencial para encontrar el óptimo?Gracias. Eso es realmente útil @nick_shelton .
Re: DOE con 5 categóricos multinivel. ¿El mejor enfoque secuencial para encontrar el óptimo?Por cierto, el ejemplo viene de un artículo publicado donde realmente ejecutaron el factorial completo (¡4608 carreras!).
Este es un conjunto de datos realmente bueno (tabla JMP adjunta). Aunque es difícil saber qué tan exactos o precisos son los datos.
Si nada más, puedes hacer un buen mapa de calor:
