Domanda DOECiao a tutti,
Sono piuttosto un principiante per quanto riguarda DOE e ho una piccola domanda.
Fondamentalmente diciamo che ho un esperimento con diversi fattori. In particolare voglio testare un componente che ha due possibili livelli e vorrei testare più concentrazioni (0, 10, 20 o 40). Pertanto ho creato il mio progetto con un fattore categoriale (Componente: A, 
e uno numerico discreto (Concentrazione: 0, 10, 20, 40).
Nel progetto finale, ho diverse serie con A-0 o B-0. Tuttavia, da un punto di vista biologico è esattamente la stessa cosa => "nessun componente aggiunto". Mi chiedo se esiste un modo per fornire queste informazioni al software? Come definire che due manche sono equivalenti? O forse dovrei definire i fattori in modo diverso? O forse semplicemente non è fattibile ..
Grazie in anticipo per i tuoi contributi!
DOERi: domanda DOECiao @anne_sa ,
Da quello che sembra, hai un fattore numerico discreto, chiamalo X1 con quattro livelli. Hai anche un altro fattore che è un categorico a due livelli, chiamalo X2. X1 può assumere valori [1, 2, 3, 4] questi sono i valori codificati, non i valori effettivi dell'esperimento che useresti realmente. Allo stesso modo, la tua variabile categoriale X2 assume [0, 1], che sono di nuovo i valori codificati - nell'esperimento, X2 sarà effettivamente A o B. Inserendo questo in un tipico DOE personalizzato, dovresti ottenere 8 corse in cui X1 varia da 1 a 4 e X2 sarà 0 o 1, riceverà anche le interazioni. L'interpretazione quindi è che 0 = A e 1 = B.
D'altra parte, se hai due componenti A e B che possono essere entrambi presenti (1) o assenti (0), allora ti consigliamo di avere una variabile categoriale aggiuntiva X3, che assume anche valori [0, 1] , ma ora [0, 1] significa rispettivamente off o on. Se ora generi il nuovo DOE con tre fattori, avrai bisogno di almeno 16 corse per ottenere anche le interazioni. Anche in questo caso, X1 va da 1 a 4 e le altre due variabili categoriali per il componente A o B saranno on, off o miscele di on / off, ad esempio X2 = 0 (off), X3 = 1 (on ). L'aggiunta del termine aggiuntivo consente di vedere se ci sono interazioni tra il componente A e il componente B, insieme alla concentrazione.
Questi non sono necessariamente DOE ottimali, soprattutto per ridurre al minimo la correlazione delle interazioni, ecc. Potrebbe essere necessario disporre di più corse centrali, eseguire repliche o modificare il design in base a ciò che funziona meglio per te.
Spero di aver capito correttamente il tuo problema.
Spero che sia di aiuto!,
DS
Ri: domanda DOEBenvenuto in DOE!
Non sono un fan dei fattori continui impostati su 0. Come hai scoperto, significa che non hai quel fattore. Penso che potrebbe essere meglio avere livelli di concentrazione tutti diversi da zero. Guarda come quell'idea si adatta al tuo scopo.
Ri: domanda DOEPer espandere @markbailey commento di (e ho la stessa opinione) sul non essere un fan di impostare fattori continui a 'zero' come non nel sistema affatto ,,,, troppo spesso il sistema in esame si comporta come un sistema nuovo o atipico con uno fattore chiave completamente assente. L'assenza del fattore potrebbe influenzare la stima dei parametri in modo indesiderato. Potrebbe creare una sicurezza o un guasto abietto noto all'interno del processo che non fornisce informazioni utili rispetto al problema in questione. O qualche altra modalità di guasto imprevisto.
Infine, cosa ti dice l'ingegneria o la conoscenza dei primi principi (se ne hai) su cosa potrebbe accadere con il fattore completamente assente?
E odio persino suggerirlo ... ma se sei vincolato e determinato a scoprire cosa succede a "zero" per quel fattore, forse è il momento per una semplice prova di tipo fuoricampo allo "zero" e guarda cosa succede? E non includere quelle combinazioni nell'analisi? Ma di nuovo ... solo se sei certo di non indurre una condizione di sicurezza o pericolosa.
Ri: domanda DOEFacendo eco ai miei stimati colleghi, desidero innanzitutto darvi il benvenuto nel mondo di DOE. È un argomento e uno strumento affascinante e incredibilmente potente. Sfortunatamente, i consigli sulla scelta del design dipendono dalla situazione. Quali ipotesi vuoi approfondire? I fattori lo faranno rappresentare quelle ipotesi nel tuo esperimento. Renditi conto che c'è una differenza tra a test progettato per "scegliere un vincitore" e un sperimentare che è progettato per fornire informazioni sulle relazioni causali. Ciò influisce sulla selezione del fattore, sull'impostazione del livello e sulle condizioni in cui si esegue l'esperimento (spazio di inferenza). Il mio consiglio è di riflettere sulle combinazioni di trattamento (fattori e livelli) e cercare di prevedere quali risultati ti aspetteresti e quali risultati potrebbero essere possibili. Prevedi quali potrebbero essere tutti i possibili risultati e cosa faresti in ogni caso. Quindi procedi. Ad esempio, se il fattore X1 è significativo cosa faresti? Se quel fattore è insignificante, cosa faresti? (per tutti i fattori). Se esegui l'esperimento e non viene "creata" alcuna variazione praticamente significativa, cosa farai? E se crei una serie di variazioni, ma nulla è assegnabile ai fattori? ... ecc.
Concentrati sulle informazioni che desideri e poi su quale design si adatta a questo. Ogni volta che vedo fattori et a più di 2 livelli penso a scegliere l'obiettivo vincitore. Certamente non stai prevedendo un polinomio di terzo ordine? Allora perché 4 livelli di una variabile continua?
Ricorda che ci sono sempre due cose nella sperimentazione, una riguarda la comprensione del fenomeno, l'altra riguarda l'imparare a sperimentare.
Scusa per il mio sfogo. Proseguire. E per favore torna indietro e fai domande!
Ri: domanda DOECiao,
Grazie molto @DS , @markbailey , @P_Bartell e @statman per i tuoi commenti. Ogni input è davvero prezioso e mi aiuta a comprendere meglio l'intero processo.
Penso che seguirò il tuo consiglio e non includerò questo livello 0 nel mio design.
Per quanto riguarda il numero di livelli per il fattore X2, le persone che hanno familiarità con il campo dell'esperimento volevano avere diversi livelli "intermedi" (4 o anche più) perché si aspettano un comportamento quadratico ma non sanno esattamente a quale punto inizierà la risposta diminuire. Tuttavia da quello che ho capito, due livelli sono sufficienti per un passaggio di screening e 3 se vogliamo aggiungere un effetto quadratico nel modello e "scegliere il vincitore". C'è quindi qualche vantaggio nell'aggiungere livelli intermedi? Aiuta a cogliere il punto esatto di "rottura"? O ridurrà solo la precisione dei risultati?
Grazie ancora per il vostro aiuto!
Ri: domanda DOEAvevi ragione ad aggiungere un fattore numerico discreto quando volevi dettare i livelli esatti dei fattori. (Quindi JMP decide i termini che devono essere aggiunti al modello.) La migliore pratica per coprire la possibilità di una risposta non lineare alla modifica del livello di un fattore è aggiungere un fattore Continuo e specificare i termini necessari nel Modello . (JMP deciderà i livelli migliori per stimare i parametri del modello.)
Inoltre, tieni presente di scegliere un'ampia gamma per questo fattore continuo. Non "indovinare una seconda volta" dove sarà il livello migliore e limitare la portata nelle vicinanze di tale ipotesi. Come accennato in precedenza, questo studio non riguarda il "test" per "scegliere il vincitore". Si tratta di stimare un modello per trovare il vincitore. Le migliori stime richiedono un grande effetto, che è prodotto da un'ampia gamma di fattori.
Ri: domanda DOEDa aggiungere a @markbailey Nell'ultimo commento, per implementare ciò che consiglia, è necessario utilizzare la piattaforma Custom Design di JMP. Sarai in grado di inserire i livelli alti e bassi specifici che desideri coprire nel tuo spazio fattoriale sperimentale e il modello esatto che desideri stimare ... ma come osserva Mark, ci saranno altri livelli selezionati dall'algoritmo di Custom Design che POTREBBE non essere un bel "numero tondo" che alcuni membri della tua squadra, possono ingenuamente, pensano siano necessari. Come suggerisce Mark, l'obiettivo è trovare un modello utile qui ... non il vincitore. Dovresti prendere in considerazione l'utilizzo del Prediction Profiler della firma di JMP e delle funzionalità di simulazione per aiutarti a trovare ed esplorare alla ricerca di quel "modello utile".
Altri passaggi coinvolti nella risoluzione dei problemi in cui DOE è fondamentale per lo sforzo includono le prove di conferma o ulteriori sperimentazioni per migliorare il modello o la tua comprensione del sistema. Le esecuzioni di conferma sono quasi necessarie per problemi di ottimizzazione della risposta. Si potrebbe raccomandare una sperimentazione aggiuntiva per esplorare la robustezza della soluzione, OPPURE supporre di perdere il punto di svolta che sembra così centrale?
La risoluzione dei problemi da parte del DOE spesso non viene completata con un unico progetto ... Raccomando a te e al tuo team di abbracciare il concetto di sperimentazione sequenziale come centrale nella tua metodologia di risoluzione dei problemi.
