Pregunta DOEHola a todos,
Soy bastante principiante con respecto al DOE y tengo una pequeña pregunta.
Básicamente digamos que tengo un experimento con varios factores. En particular, quiero probar un componente que tiene dos niveles posibles y me gustaría probar varias concentraciones (0, 10, 20 o 40). Por lo tanto, creé mi diseño con un factor categorial (Componente: A, 
y uno numérico discreto (Concentración: 0, 10, 20, 40).
En el diseño final, tengo varias ejecuciones con A-0 o B-0. Sin embargo, desde un punto de vista biológico es exactamente lo mismo => "sin componente añadido". Me pregunto si hay alguna forma de proporcionar esta información al software. ¿Cómo definir que dos carreras son equivalentes? ¿O quizás debería definir los factores de manera diferente? O tal vez simplemente no sea factible ...
¡Gracias de antemano por sus entradas!
GAMARe: pregunta DOEHola @anne_sa ,
Por lo que parece, tiene un factor que es numérico discreto, llámelo X1 con cuatro niveles. También tiene otro factor que es categórico de dos niveles, llámelo X2. X1 puede tomar valores [1, 2, 3, 4]. Estos son los valores codificados, no los valores reales del experimento que realmente usaría. De manera similar, su variable categórica X2 toma [0, 1], que son nuevamente los valores codificados; en el experimento, X2 en realidad será A o B. Al poner esto en un DOE personalizado típico, debe obtener 8 ejecuciones donde X1 varía de 1 a 4 y X2 será 0 o 1, también obtendrá las interacciones. La interpretación entonces es que 0 = A y 1 = B.
Por otro lado, si tiene dos componentes A y B que pueden estar presentes (1) o ausentes (0), entonces querrá tener una variable categórica adicional X3, que también toma valores [0, 1] , pero ahora el [0, 1] significa apagado o encendido, respectivamente. Si ahora genera el nuevo DOE con tres factores, necesitará al menos 16 ejecuciones para obtener también las interacciones. Nuevamente, en este caso, X1 va de 1 a 4 y las otras dos variables categóricas para el componente A o B estarán encendidas, apagadas o mezclas de encendido / apagado, p. Ej. ). Agregar el término adicional le permite ver si hay interacciones entre el componente A y el componente B, junto con la concentración.
Estos no son necesariamente DOE óptimos, especialmente para minimizar la correlación de las interacciones, etc. Es posible que deba tener más recorridos centrales, ejecutar réplicas o cambiar el diseño para que funcione mejor para usted.
Espero haber entendido tu problema correctamente.
¡Espero que esto ayude!,
DS
Re: pregunta DOE¡Bienvenido a DOE!
No soy un fanático de los factores continuos establecidos en 0. Como descubrió, eso significa que no tiene ese factor. Creo que sería mejor tener todos los niveles distintos de cero para la concentración. Vea cómo esa idea encaja con su propósito.
Re: pregunta DOEPara expandir @markbailey El comentario (y tengo la misma opinión) sobre no ser un fanático de establecer factores continuos en 'cero' ya que no están en el sistema en absoluto ,,,, demasiado a menudo el sistema en estudio actúa como un sistema nuevo o atípico con una factor clave completamente ausente. La ausencia del factor podría influir en la estimación de parámetros de forma desfavorable. Puede establecer una falla de seguridad o conocida dentro del proceso que no proporciona información útil sobre el problema en cuestión. O algún otro modo de falla no anticipado.
Por último, ¿qué te dice tu conocimiento de ingeniería o primeros principios (si tienes alguno) sobre lo que podría suceder con el factor completamente ausente?
Y odio incluso sugerir esto ... pero si está obligado y decidido a averiguar qué sucede en 'cero' para ese factor, tal vez sea hora de una prueba de tipo simple de jonrón único en el 'cero' y mira lo que pasa ¿Y no incluir esas combinaciones en el análisis? Pero nuevamente ... solo si está seguro de que no va a inducir una condición peligrosa o de seguridad.
Re: pregunta DOEHaciendo eco de mis estimados colegas, primero quiero darles la bienvenida al mundo de DOE. Es un tema y una herramienta fascinantes e increíblemente poderosos. Desafortunadamente, los consejos sobre la selección del diseño dependen de la situación. ¿Qué hipótesis desea conocer? Los factores representar esas hipótesis en su experimento. Date cuenta de que hay una diferencia entre prueba diseñado para "elegir un ganador" y un experimentar que está diseñado para dar una idea de las relaciones causales. Esto influye en la selección del factor, la configuración del nivel y las condiciones en las que realiza el experimento (espacio de inferencia). Mi consejo es pensar detenidamente en las combinaciones de tratamientos (factores y niveles) y tratar de predecir qué resultados esperaría y qué resultados podrían ser posibles. Predice cuáles podrían ser todos los resultados posibles y qué harías en cada caso. Entonces proceda. Por ejemplo, si el factor X1 es significativo, ¿qué haría? Si ese factor es insignificante, ¿qué harías? (para todos los factores). Si ejecuta el experimento y no se "crea" ninguna variación prácticamente significativa, ¿qué hará? ¿Qué pasa si crea un montón de variación, pero nada se puede asignar a los factores? ... etc.
Concéntrese en la información que desea y luego en el diseño que se ajuste a eso. Siempre que veo factores et en más de 2 niveles, pienso en elegir el objetivo ganador. ¿Ciertamente no está prediciendo un polinomio de tercer orden? Entonces, ¿por qué 4 niveles de una variable continua?
Recuerde que siempre hay dos cosas acerca de la experimentación, una se trata de comprender el fenómeno y la otra se trata de aprender a experimentar.
Perdón por mi perorata. Continua. ¡Y por favor regrese y haga preguntas!
Re: pregunta DOEHola,
Muchas gracias @DS , @markbailey , @P_Bartell y @statman por tus comentarios. Cada entrada es realmente valiosa y me ayuda a comprender mejor todo el proceso.
Creo que seguiré tus consejos y no incluiré este nivel 0 en mi diseño.
Con respecto al número de niveles para el factor X2, las personas familiarizadas con el campo del experimento querían tener varios niveles "intermedios" (4 o incluso más) porque esperan un comportamiento cuadrático pero no saben exactamente en qué punto comenzará la respuesta. disminución. Sin embargo, por lo que entiendo, dos niveles son suficientes para un paso de cribado y 3 si queremos agregar un efecto cuadrático en el modelo y "elegir el ganador". Por lo tanto, ¿hay alguna ganancia para agregar niveles intermedios? ¿Ayuda a detectar el punto exacto de "ruptura"? ¿O simplemente disminuirá la precisión de los resultados?
¡De nuevo, gracias por tu ayuda!
Re: pregunta DOEEstuvo en lo correcto al agregar un factor numérico discreto cuando quiso dictar los niveles exactos del factor. (Luego, JMP decide los términos que se deben agregar al modelo). La mejor práctica para cubrir la posibilidad de una respuesta no lineal al cambio en un nivel de factor es agregar un factor continuo y especificar los términos necesarios en el modelo . (JMP decidirá los mejores niveles para estimar los parámetros de su modelo).
También tenga en cuenta que debe elegir un rango amplio para este factor continuo. No 'adivine' dónde estará el mejor nivel y limite el rango en el vecindario de tal suposición. Como se mencionó anteriormente, este estudio no se trata de "probar" para "elegir al ganador". Se trata de estimar un modelo para encontrar el ganador. Las mejores estimaciones requieren un gran efecto, que es producido por una amplia gama de factores.
Re: pregunta DOEPara añadir a @markbailey En el último comentario, para implementar lo que recomienda, necesitará utilizar la plataforma de diseño personalizado de JMP. Podrá ingresar los niveles altos y bajos específicos que desea cubrir en su espacio de factor experimental y el modelo exacto que le gustaría estimar ... pero como señala Mark, habrá otros niveles seleccionados por el algoritmo de diseño personalizado que PUEDEN no ser buenos 'números redondos' que algunos en su equipo, ingenuamente, pueden pensar que son necesarios. Como sugiere Mark, el objetivo es encontrar un modelo útil aquí ... no el ganador. También debe considerar el uso del perfil de predicción exclusivo de JMP y las capacidades de simulación para ayudarlo a encontrar y explorar en la búsqueda de ese 'modelo útil'.
Otros pasos involucrados en la resolución de problemas donde el DOE es fundamental para el esfuerzo incluyen ejecuciones de confirmación o experimentación adicional para mejorar el modelo o su comprensión del sistema. Las ejecuciones de confirmación son casi necesarias para los problemas de optimización de respuesta. Se podría recomendar experimentación adicional para explorar la solidez de la solución, O suponga que pierde el punto de inflexión que parece tan central.
La resolución de problemas por parte del DOE a menudo no se completa con un solo diseño ... Le recomiendo que usted y su equipo adopten el concepto de experimentación secuencial como parte central de su metodología de resolución de problemas.
