Si tuvieras que atrapar mi publicación de blog anterior , sabrá que soy un gran defensor del uso de covariables en el Diseñador personalizado cuando surge la necesidad. Para JMP 16 , hemos realizado algunas mejoras para facilitar el uso de covariables.
Nuevo estilo
Lo primero que puede notar es un nuevo lugar para la especificación de covariables. Bajo el esquema de Factores, hay un esquema especial llamado "Ejecuciones covariables / candidatas". La esperanza es que, al sacarlo más a la luz, más usuarios se den cuenta de la capacidad de usar covariables.
Todavía necesitamos una tabla de datos para cargar covariables, por lo que usaremos la tabla de datos “Runners Covariates.jmp” de los datos de muestra aquí. Esta tabla tiene una lista de 100 corredores que son candidatos para un experimento sobre calzado para correr (los primeros 10 se muestran aquí):
Digamos que queremos usar un subconjunto de 24 de estos corredores con un factor controlable adicional para el tipo de zapato (A / 
. Al hacer clic en el botón Seleccionar factores de covarianza, podemos elegir los tres factores como covariables:
Ahora obtenemos una tabla incrustada dentro del Diseñador personalizado:
Ahora podemos agregar un factor para el tipo de zapato:
y modificar el modelo, como mejor nos parezca.
Opciones adicionales
Tenga en cuenta que las filas de la tabla con las ejecuciones candidatas para las covariables en el Diseñador personalizado se pueden seleccionar. La razón de esto es que hay situaciones en las que queremos asegurarnos de que ciertas corridas estén en el diseño final. Por ejemplo, es posible que se hayan utilizado materiales en el pasado o que el experimentador se haya comprometido a utilizar determinadas carreras candidatas. Otro caso posible es utilizar un conjunto de candidatos seleccionando "Incluir todas las filas de covariables seleccionadas en el diseño" para que el diseñador se asegure de todas las corridas seleccionadas al crear el diseño. Este es el aspecto del esquema de generación de diseño con covariables:
Otra posibilidad es usar un conjunto de candidatos para agregar ejecuciones adicionales a un diseño existente, efectivamente un Diseño de Aumento usando covariables. En esto Charla Discovery Summit Europe , una de las formas de crear un diseño era encontrar un subconjunto del factorial completo donde el valor predicho en un punto dado estaba por encima de un valor especificado. El siguiente lote de 48 corridas se eligió de este conjunto teniendo en cuenta los puntos en iteraciones anteriores del diseño.
La opción "Permitir que las filas covariables se repitan" permite al Diseñador personalizado elegir cualquiera de las filas más de una vez, lo cual es útil cuando solo desea proporcionar ejecuciones en una forma determinada. Si bien puede obtener el mismo efecto replicando el diseño varias veces, no siempre está claro cuántas repeticiones de un diseño son suficientes.
Una cosa más
Gran parte del trabajo para manejar las covariables se lleva a cabo entre bastidores. Bajo las sábanas, versiones anteriores de JMP solo se centró en D-optimalidad para las covariables. En JMP 16, las filas de covariables se eligen de acuerdo con los criterios de optimización especificados. La integración entre covariables y factores controlables también se maneja mejor para buscar más posibilidades.
Gracias por leer, y espero que encuentre útil la capacidad de usar covariables en sus propios experimentos.
Hola Ryan @ryan_lekivetz .Este es un gran resumen.Gracias.Además, los usuarios actuales de JMP pueden querer registrarse para Nuevo en JMP 16 y JMP Pro 16 sesión 16 de abril impartida por Hyde Miller @HydeMiller .
@ryan_lekivetz ¿Es posible utilizar covariables categóricas en este caso? Parece que una vez que selecciona una covariable categórica, se muestra automáticamente como una variable continua en la tabla Factores.
Hola Ryan @ryan_lekivetz .Gracias por el resumen del nuevo enfoque para manejar covariables para crear conjuntos candidatos. Es genial que se muestre de forma más explícita en el diseñador personalizado.¡Gran trabajo!
