Confirmación del modelo de diseño de pantalla definitivo (DSD)Hola a todos,
Diseñé un DSD con la siguiente información:
- Diseño: 7 factores continuos y 1 categórico, 22 corridos
- Evaluación del diseño en potencia y correlación: muy buena
- Modelo de ajuste a través de Fit Definitive Screening: excelente
- RMSE = 0,2803, RSq = 0,997, PValue <0,001)
- Falta de ajuste: no (Ración F 191, Prob> F = 0.0561)
- Los residuos residuales y estudentizados son todos buenos
- Estructura del modelo:
- Contiene 5 factores principales, 4 cuadráticos y 1 de interacción
- Confirmación del modelo: intente algunas carreras (puntos) hasta el máximo de conveniencia
- algunos están de acuerdo con la predicción muy bien
- algunos muestran grandes diferencias
Debido a la limitación de recursos, podemos ejecutar de 5 a 10 ejecuciones de confirmación.
Por favor avise:
- ¿Las posibles causas de la diferencia dicen que no se adapta o se adapta demasiado?
- Método o procedimiento para mejorar / optimizar el modelo
Gracias.
GAMARe: Confirmación del modelo de diseño de pantalla definitiva (DSD)Será muy difícil para nosotros ayudar. Tenga en cuenta que las estadísticas que informa no tienen nada que ver con si el modelo funciona en el futuro. La extrapolación es de ingeniería o científica y depende en gran medida de qué tan representativo fue su experimento de las condiciones futuras. El diseño de cribado definitivo es una estrategia para manejar los factores de diseño, no el ruido (factores que no está dispuesto a controlar o gestionar). No dice nada sobre cómo manejó el ruido. Si los factores de ruido se mantienen constantes, entonces su espacio de inferencia es demasiado pequeño y su modelo probablemente solo se aplicará a los datos disponibles. Para la experimentación futura, mi consejo es que dediques tanto tiempo a considerar lo que harás con los factores no incluidos en la estructura de diseño (ruido) como los que sí estás.
Re: Confirmación del modelo de diseño de pantalla definitiva (DSD)Hola Statman,
El DOE se basó en los resultados del software de simulación. Encontramos que un nivel de factor (-1,0, + 1) capturó el rango completo de la variable representativa, pero físicamente (0, 0.5, 1) o (-1, -0.5, 0) debería ser el rango efectivo para el objetivo respuesta.Por lo tanto, podemos ver este factor como un factor de ruido y usar un mismo nivel de factor en la ejecución de confirmación.
Basado en la información adicional anterior, ¿algún consejo por favor?
Gracias.
Re: Confirmación del modelo de diseño de pantalla definitiva (DSD)No estoy seguro de poder ayudarte. ¿Está diciendo que los resultados de ejecutar los experimentos en el software de simulación no son repetibles en el software de simulación? O ¿Está diciendo que los resultados del experimento en el software de simulación no se repiten en la "vida real"?
Creo que puede haber confusión sobre lo que es el ruido. Tiene varios nombres diferentes: Molestia, antecedentes, et. Alabama. Los ejemplos incluyen: condiciones ambientales ambientales, desgaste o degradación de materiales y equipos, técnica del operador, en algunos casos error de medición, variación de materiales entre lotes, etc. Estas variables no se manipulan típicamente en un experimento y se mantienen constantes ( mala idea) o variar durante la ejecución del experimento. Estos deben ser representativos de las "condiciones" futuras para que sus resultados experimentales sean aplicables en el futuro (o para que su modelo prediga las variables de respuesta en el futuro).
Si está utilizando un software de simulación, el algoritmo ya está incluido en el software. No lo sabes No tengo idea de cómo su software de simulación "simula" el ruido.
Re: Confirmación del modelo de diseño de pantalla definitiva (DSD)Hola Statman,
Gracias por su paciencia.
Estoy familiarizado con el concepto de ruido. Empecé usando el Método Taguchi durante muchos años. Entonces, en mi caso, no tenemos que preocuparnos por los ruidos.
En resumen, el DOE se basó en los resultados de la ejecución de software de simulación, todo se ve bien, excepto que el modelo funciona mal con algunos datos de confirmación.
Para averiguar qué puede causar las confirmaciones no tan buenas, hay algunas cosas que estoy intentando ahora:
1) En lugar de utilizar el modelo generado por Ejecutar modelo inmediatamente después de Ajustar cribado definitivo, utilicé Regresión escalonada para seleccionar términos utilizando los criterios AICc y BIC. Luego ajusto los términos seleccionados con mínimos cuadrados estándar. Conseguí alguna mejora.
2. También puedo ajustar los términos seleccionados anteriormente con ejecuciones de suma asumiendo que el modelo no es adecuado. Pregunta: ¿cómo se decide si un modelo está ajustado o sobreajustado? ¿Cuál es la solución si está sobreajustado?
3. ¿Debería intentar el ajuste de regresión no lineal?
Gracias.
Re: Confirmación del modelo de diseño de pantalla definitiva (DSD)Me alegra ayudar si puedo, pero ¿no respondió mi primera pregunta? Si está ejecutando simulaciones, ¿por qué fraccionar? ¿A menos que el tiempo de computación sea demasiado largo? El experimento se ejecutó mediante un software de simulación, ¿las ejecuciones de confirmación también se realizaron con el software de simulación?
No estoy seguro de qué tiene que ver el Método Taguchi con esta discusión. Ciertamente no fue el primero en identificar la importancia del ruido en situaciones experimentales (ver Fisher). Si apunta a la matriz interna y externa, este método se discutió por primera vez en la década de 1950 con Cox y matrices de productos cruzados. No entiendo lo que quieres decir con "no tenemos que preocuparnos por el ruido". ¿Se han estudiado todas las variables que posiblemente podrían variar?
Hay muchos métodos / enfoques para el ajuste de modelos. Existe el enfoque aditivo, que es lo que hace por pasos, y el enfoque sustractivo, que comienza saturado y elimina términos. Diferentes enfoques para diferentes situaciones. Hay una serie de estadísticas que pueden ayudar, pero ninguna estadística le da una respuesta definitiva. Mi primer consejo es utilizar la ingeniería y la ciencia para determinar si los factores y niveles sugeridos por el modelo tienen sentido; las estadísticas útiles incluyen: RMSE, RSquare-RSquare Delta ajustado (algunos usan RSquares predichos), coeficientes, valores p, residuos (muchos parcelas), VIF's, etc.
