endgültiges Screening-DesignVerehrte Gäste,
Ich plane, ein RSM zu bauen, um meine Methode zu optimieren. Ich habe 8 kontinuierliche Faktoren, 1 kategorialen Faktor und 2 Antworten. Die Höhe der einzelnen Faktoren wurde anhand früherer Erfahrungen des Teams bestimmt. Ich habe keine Ahnung, ob es Wechselwirkungen zwischen Faktoren gibt oder nicht. Ich kann die Geräuschquelle nicht identifizieren und plane eine Zufallsauswahl. Nachdem ich einige Recherchen durchgeführt habe, denke ich, dass das am besten geeignete Design ein definitives Screening-Design wäre?
Für Anmerkungen oder Ratschläge bin ich dankbar
Danke
VersuchsplanungBetreff: definitives Screening-DesignIch denke, dass man nicht erwarten kann, das unvoreingenommene Modell basierend auf Daten aus einem DSD anzupassen, wenn das Prinzip der Sparsität der Effekte nicht gilt. Die Fit-Definitive-Screening-Methode entgeht der Annahme dieses Prinzips nicht.
Zumindest sollten Sie Läufe hinzufügen und mehr als die Mindestanzahl an Läufen sowie mehr als die Standardanzahl von 4 zusätzlichen Läufen verwenden, um die potenzielle Anzahl von Effekten im Modell abzudecken. Wie viele zusätzliche Läufe? Ich weiß nicht. Das Hinzufügen von Läufen im DSD basiert normalerweise auf der Überlegung der Leistung, einem Schlüsselmerkmal bei der Auswahl eines Designs für das Screening.
Ein alternativer Ansatz ist ein benutzerdefiniertes Design, bei dem Sie die Schätzbarkeit jedes Termes nach Bedarf ändern und für jeden Term, wenn möglich, drei bis vier Durchläufe hinzufügen können.
Die Wirtschaftlichkeit eines DSD ist, wie bei jedem Screening-Design, attraktiv, aber das kleine Design wird dem Modell nur dann genügen, wenn es eine kleine Anzahl von Termen aufweist.
Betreff: definitives Screening-DesignDanke @statman für die von Ihnen bereitgestellten Informationen
" Mein Rat basiert auf der begrenzten Erörterung Ihrer Situation. Bitte teilen Sie mir mit, welche Details Sie benötigen. Ich teile sie Ihnen gerne mit. Dann denke ich, dass Sie eine bessere Sichtbarkeit haben, um mir mehr Ratschläge zu geben, was sehr geschätzt wird
beste grüße
Betreff: definitives Screening-DesignDanke @Mark_Bailey
Zurück zu Ihren Bemerkungen: Ich habe keine Ahnung, ob mehr als die Hälfte meiner Faktoren inaktiv sind oder nicht! Ich stimme zu, dass es sich beim DSD letztlich um ein Screening-Design handelt, aber es bietet die Möglichkeit, die Krümmungen in meiner Antwort zu sehen und ein Antwortoberflächenmodell zu erstellen. Nach meinen Erkenntnissen kann die Analyse des endgültigen Screenings mithilfe der schrittweisen Vorwärtsregression erfolgen, bei der der Effekt der Sparsität bestehen bleiben sollte. Wenn ich andererseits ein Definitive Screening-Design analysieren möchte und wahrscheinlich viele Effekte aktiv sind (mehr als die Hälfte meiner Faktoren), sollte ich die Fit Definitive Screening-Plattform verwenden, die die vorteilhafte Struktur von DSD berücksichtigt ( Hinzufügen zusätzlicher Läufe und Analyse des Modells in 2 Stufen)
Was denkst du?
Betreff: definitives Screening-DesignIch werde nur zwei Kommentare hinzufügen @statman ,.
Erstens handelt es sich um ein Screening-Design und soll daher in einer Screening-Situation verwendet werden, in der die wichtigsten Screening-Prinzipien gelten. Einer der wichtigsten Punkte, der meiner Meinung nach in Ihrem Fall nicht zutrifft, ist die geringe Wirkung. Bei dieser Art von Design steht die Wirtschaftlichkeit über der Leistungsfähigkeit. Es wird davon ausgegangen, dass nur wenige der Faktoren tatsächlich aktiv sind. Erwarten Sie, dass weniger als die Hälfte der 8 Faktoren inaktiv sind?
Zweitens, egal ob Screening oder nicht, achten Sie darauf, dass die „ Die Werte jedes Faktors wurden anhand früherer Erfahrungen des Teams bestimmt „sind nicht zu eng. Die Bereiche sollten auf der Grundlage der Notwendigkeit bestimmt werden, eine große Änderung der Antwort hervorzurufen, damit die Regression die Modellparameter (kleine Standardfehler) effizient schätzen kann. Die Bereiche sollten immer groß sein. Sie sollten nicht auf der Grundlage der Erwartung ausgewählt werden, dass die Reaktion immer ein gewünschtes Niveau erreicht. Dies ist ein Experiment, kein Test. Das Experiment sollte die besten Daten liefern, um die Modellierung zu unterstützen, und nicht, um die „Auswahl des Gewinners“ zu unterstützen.
Betreff: definitives Screening-DesignSagte,
Ich gehe davon aus, dass Sie versuchen, eine Antwortoberfläche (RSM ist eine Methodik) zu verstehen, die zwei abhängige Variablen beschreibt. Dafür gibt es viele Ansätze. Ich bin voreingenommen gegenüber dem sequenziellen Ansatz, den Dr. GEP mir beigebracht hat Kasten. Hierbei handelt es sich um einen wissenschaftlichen Methodenansatz, bei dem Sie mit Hypothesen beginnen (dargestellt durch Faktoren im Experiment) und Daten verwenden, um Einblicke in diese Hypothesen zu gewinnen. Es gibt keinen „richtigen“ Weg, dies zu tun, und der effizienteste und effektivste Weg ist Situationsabhängig . Dieser Ansatz typischerweise beginnt mit fraktionierten 2-Ebenen-Designs zum Screening einer großen Anzahl von Variablen (basierend auf den Prinzipien der Knappheit und Hierarchie der Wirkungen). Anschließend wird der Raum in Richtung Verbesserung verschoben und die Anzahl der Variablen verringert. Während Ihre Arbeit iteriert, beginnen Sie, Terme höherer Ordnung zum Modell hinzuzufügen. Diese Effekte höherer Ordnung können faktoriell (Wechselwirkungen) oder polynomial (Krümmung) sein. Die sequentielle Arbeit ist sehr hilfreich für das Verständnis der Oberfläche. Diese Art von Arbeit ist am besten gelang es durch den Wissenschaftler oder Ingenieur, der die Mechanismen (z. B. physikalische, chemische) versteht und die Ergebnisse einer statistischen Studie interpretieren kann. Es ist der Wissenschaftler/Ingenieur, der die möglichen Auswirkungen von Faktoren (und ob die Wirkung im untersuchten Raum linear ist), Wechselwirkungen usw. erklären (Hypothesen) und vorhersagen sollte Extrem wichtig, der Lärm . Vielleicht sollten Sie damit beginnen, das Modell erster Ordnung zu verstehen und die Auswirkungen von Lärm Bevor Sie nichtlineare Beziehungen untersuchen, hängt dies jedoch davon ab, was Sie tun und was nicht. Basierend auf Ihrer begrenzten Beschreibung Ihrer Situation rate ich Ihnen, sich etwas Zeit zu nehmen, um herauszufinden, was für ein Lärm es sein könnte, und dann eine Strategie zu entwickeln, um mit diesem Lärm umzugehen. Ich denke auch, dass Blockieren (oder: Wiederholungen, Split-Plots, Kovariaten usw.) eine bessere Strategie ist als Randomisieren. Da Sie die Auswirkungen des Lärms verstehen möchten, sollten Sie ihn vorzugsweise zuordnen und nicht nur eine numerische Schätzung seiner Größe erhalten. Während die Randomisierung Ihnen hoffentlich eine unvoreingenommene Schätzung des Rauschens liefert, kann sie die Präzision des Designs beeinträchtigen.
„Blockieren Sie, was Sie randomisieren können, was Sie nicht können“, GEP Kasten
Ich sage nicht, dass Sie keine definitiven Screening-Designs verwenden sollten (Brad Jones hat hervorragende Arbeit geleistet, um diese Designstrategie der Community zugänglich zu machen), Sie müssen nur abwägen, welche Informationen Sie zu diesem Zeitpunkt benötigen und welche Ressourcen Sie benötigen diese Informationen.
Viel Glück auf deiner Reise.
