Si por casualidad atrapaste mi entrada de blog anterior , sabrá que soy un gran defensor del uso de covariables en Custom Designer 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 denominado "Ejecuciones covariables/candidatas". La esperanza es que al sacarlo a la luz pública, más usuarios se darán cuenta de la capacidad de utilizar 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 el uso de calzado para correr (aquí se muestran los primeros 10):
Digamos que queremos usar un subconjunto de 24 de estos corredores con un factor controlable adicional para el tipo de calzado (A/B). Al hacer clic en el botón Seleccionar factores de covariables, 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 ejecuciones 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 algunas series candidatas determinadas. 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 ejecuciones seleccionadas al crear el diseño. Este es el aspecto del esquema de generación de diseño con covariables:
Otra posibilidad es utilizar un conjunto de candidatos para agregar ejecuciones adicionales a un diseño existente, de hecho, un diseño de aumento que utiliza covariables. En esto Charla Discovery Summit Europa , una de las formas de crear un diseño era encontrar un subconjunto del factorial completo donde el valor predicho en un punto determinado estuviera por encima de un valor específico. El siguiente lote de 48 ejecuciones se eligió de este conjunto teniendo en cuenta los puntos de iteraciones anteriores del diseño.
La opción "Permitir que se repitan filas de covariables" permite al diseñador personalizado elegir cualquiera de las filas más de una vez, lo cual es útil cuando solo desea proporcionar ejecuciones en una determinada forma. Si bien se puede lograr el mismo efecto replicando el diseño varias veces, no siempre está claro cuántas replicaciones de un diseño son suficientes.
Una cosa más
Gran parte del trabajo para manejar las covariables se realiza entre bastidores. Debajo de las sábanas, versiones anteriores de JMP solo se centró en la optimización D para las covariables. En JMP 16, las filas de covariables se eligen según 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 le resulte útil la posibilidad de utilizar covariables en sus propios experimentos.
Hola Ryan @ryan_lekivetz .Gracias por el resumen del nuevo enfoque para manejar covariables para crear conjuntos de candidatos. Es genial que se muestre más explícitamente en el diseñador personalizado.¡Gran trabajo!
@Ryan_Lekivetz ¿Es posible utilizar covariables categóricas en este caso? Parece que una vez que selecciona una covariable categórica, aparece automáticamente como una variable continua en la tabla Factores.
Hola Ryan @Ryan_Lekivetz .Este es un gran resumen.Gracias.Además, es posible que los usuarios actuales de JMP deseen registrarse para el Novedad en JMP 16 y JMP Pro 16 sesión del 16 de abril impartida por Hyde Miller @HydeMiller .
