diseño de cribado definitivoEstimados,
Planeo construir un RSM para optimizar mi método. Tengo 8 factores continuos, 1 factor categórico y 2 respuestas. Los niveles de cada factor se determinaron de acuerdo con experiencias previas del equipo. No tengo idea de si hay interacciones entre factores o no. No puedo identificar la fuente del ruido y planeo aleatorizar. Después de investigar un poco, creo que el diseño más adecuado para elegir sería un diseño de cribado definitivo.
Agradeceré cualquier comentario o consejo.
Gracias
GAMARe: diseño de cribado definitivoDicho,
Supongo que está tratando de comprender una superficie de respuesta (RSM es una metodología) que describe dos variables dependientes. Hay muchos enfoques para hacer esto. Estoy predispuesto al enfoque secuencial que me enseñó el Dr. GEP Caja. Este es un enfoque de método científico, en el que comienza con hipótesis (representadas por factores en el experimento) y utiliza datos para proporcionar información sobre esas hipótesis. No existe una forma "correcta" de hacer esto y la forma más eficiente y eficaz es situación dependiente . Este enfoque típicamente comienza con diseños fraccionados de 2 niveles para seleccionar una gran cantidad de variables (según los principios de escasez y jerarquía de efectos). Luego, moviendo el espacio en la dirección de mejora y reduciendo el número de variables. A medida que su trabajo se repite, comienza a agregar términos de orden superior al modelo. Estos efectos de orden superior pueden ser factoriales (interacciones) o polinomiales (curvatura). El trabajo secuencial es bastante útil para comprender la superficie. Este tipo de trabajo es el mejor administrado por el científico o ingeniero que comprende los mecanismos (por ejemplo, físicos, químicos) y puede interpretar los resultados de un estudio estadístico. Es el científico / ingeniero el que debe explicar (hipótesis) y predecir los posibles efectos de los factores (y si el efecto es lineal en el espacio que se investiga), interacciones y extremadamente importante, el RUIDO . Quizás debería comenzar por comprender el modelo de primer orden y el impacto del ruido antes de investigar las relaciones no lineales, pero esto es una función de lo que sabe y lo que no sabe. Mi consejo, basado en su discusión limitada de su situación, es que dedique algún tiempo a identificar cuál podría ser el ruido y luego a desarrollar una estrategia para manejar ese ruido. También creo que bloquear (o: repeticiones, parcelas divididas, covariables, etc.) es una mejor estrategia que aleatorizar. Porque quiere comprender el impacto del ruido, preferiblemente asígnelo, no solo obtenga una estimación numérica del tamaño del mismo. Si bien la aleatorización, con suerte, le dará una estimación imparcial del ruido, puede comprometer la precisión del diseño.
"Bloquea lo que puedes aleatorizar lo que no puedes", GEP Caja
No estoy diciendo que no use diseños de tramado definitivos (Brad Jones ha hecho un excelente trabajo al llevar esta estrategia de diseño a la comunidad), solo necesita sopesar qué información necesita obtener en este momento con los recursos para obtener Esa información.
Buena suerte en tu viaje.
Re: diseño de cribado definitivoAgregaré solo dos comentarios a @statman ,.
En primer lugar, es un diseño de detección, por lo que está destinado a ser utilizado en una situación de detección en la que se cumplen los principios clave de detección. Uno de los más importantes que sospecho que no se sostiene en su caso es la escasez de efectos. Este tipo de diseño enfatiza la economía sobre la capacidad. El supuesto es que pocos de los factores están, de hecho, activos. ¿Espera que menos de la mitad de los 8 factores estén inactivos?
En segundo lugar, evalúe o no, tenga cuidado de que el " Los niveles de cada factor se determinaron de acuerdo con las experiencias previas del equipo. "no son demasiado estrechos. Los rangos deben determinarse en función de la necesidad de provocar un gran cambio en la respuesta para que la regresión pueda estimar de manera eficiente los parámetros del modelo (pequeños errores estándar). Los rangos siempre deben ser amplios. No deben seleccionarse basándose en la expectativa de que la respuesta siempre alcanzará un nivel deseable. Este es un experimento, no una prueba. El experimento debe proporcionar los mejores datos para respaldar el modelado, no para respaldar "elegir al ganador".
Re: diseño de cribado definitivoGracias @markbailey
Volviendo a sus comentarios, ¡no tengo ni idea de si más de la mitad de mis factores están inactivos o no! Estoy de acuerdo en que el DSD es al final un diseño de trama, pero da la posibilidad de ver las curvaturas en mi respuesta y construir un modelo de superficie de respuesta. A partir de mis lecturas, el análisis del cribado definitivo se puede realizar mediante la regresión progresiva hacia adelante, en la que debería mantenerse la dispersión del efecto. Por otro lado, si quiero analizar un diseño de cribado definitivo y en caso de que sea probable que muchos efectos estén activos (más de la mitad de mis factores), debería utilizar la plataforma de cribado Definitivo Fit, que tiene en cuenta la estructura ventajosa de DSD ( agregando ejecuciones adicionales y analizando el modelo en 2 etapas)
¿Qué piensas?
Re: diseño de cribado definitivoGracias @statman por la información que proporcionaste
" Mi consejo basado en la discusión limitada de su situación "Por favor, hágame saber qué detalles necesita y estaré encantado de compartirlo. Entonces creo que tendrás mejor visibilidad para darme más consejos, lo cual es muy apreciado.
atentamente
