diseño de cribado definitivoEstimados,
Estoy planeando construir un RSM para optimizar mi método. Tengo 8 factores continuos, 1 factor categórico y 2 respuestas. Los niveles de cada factor se determinaron según experiencias previas del equipo. No tengo idea si hay interacciones entre factores o no. No puedo identificar la fuente del ruido y planeo realizar una aleatorización. Después de investigar un poco, creo que el diseño más adecuado para elegir sería un diseño de detección definitivo.
Agradeceré cualquier comentario o consejo.
Gracias
Diseño de experimentosRe: diseño de cribado definitivoCreo que no se puede esperar ajustarse al modelo imparcial basado en datos de un DSD si el principio de escasez de efectos no se cumple. El método Fit Definitive Screening no escapa a la asunción de este principio.
Como mínimo, debe agregar ejecuciones y usar más que el número mínimo de ejecuciones, y usar más que el valor predeterminado de 4 ejecuciones adicionales para cubrir la cantidad potencial de efectos en el modelo. ¿Cuántas carreras adicionales? No sé. La adición de corridas en el DSD generalmente se basa en una consideración de potencia, una característica clave en la selección de un diseño para la detección.
Un enfoque alternativo es un diseño personalizado en el que puede cambiar la estimabilidad de cada término según sea necesario y agregar 3 o 4 ejecuciones para cada término, si es posible.
La economía de un DSD, como cualquier diseño de cribado, es atractiva, pero el diseño pequeño sólo satisfará el modelo si tiene un número pequeño de términos.
Re: diseño de cribado definitivoGracias @statman por la información que proporcionaste
" Mi consejo se basa en la discusión limitada de su situación. "Por favor, déjeme saber qué detalles necesita y estaré encantado de compartirlos. Entonces creo que tendrás mejor visibilidad para darme más consejos, lo cual es muy apreciado.
atentamente
Re: diseño de cribado definitivoGracias @Mark_Bailey
Volviendo a sus comentarios, ¡no tengo 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 cribado, pero da la posibilidad de ver las curvaturas en mi respuesta y construir un modelo de superficie de respuesta. Según mis lecturas, el análisis de la detección definitiva se puede realizar utilizando la regresión por pasos hacia adelante en la que debería mantenerse el efecto de escasez. Por otro lado, si quiero analizar un diseño de cribado definitivo y en caso de que sea probable que estén activos muchos efectos (más de la mitad de mis factores), debería utilizar la plataforma Fit Definitive Screening que tiene en cuenta la estructura ventajosa de DSD ( agregar ejecuciones adicionales y analizar el modelo en 2 etapas)
¿Qué piensas?
Re: diseño de cribado definitivoAgregaré sólo 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 cumplan los principios clave de detección. Uno de los aspectos más importantes que sospecho que no se cumple en su caso es la escasez de efectos. Este tipo de diseño enfatiza la economía sobre la capacidad. Se supone que pocos de los factores son, de hecho, activos. ¿Espera que menos de la mitad de los 8 factores estén inactivos?
En segundo lugar, con o sin detección, tenga cuidado de que el " Los niveles de cada factor se determinaron de acuerdo con 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 eficientemente 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 modelo, no para respaldar la idea de "elegir al ganador".
Re: diseño de cribado definitivoDicho,
Supongo que está intentando comprender una superficie de respuesta (RSM es una metodología) que describe dos variables dependientes. Hay muchos enfoques para hacer esto. Soy partidario del enfoque secuencial que me enseñó el Dr. GEP Caja. Este es un enfoque de método científico, en el que se comienza con hipótesis (representadas por factores en el experimento) y se utilizan datos para proporcionar información sobre esas hipótesis. No existe una manera "correcta" de hacer esto y la forma más eficiente y efectiva es situación dependiente . Este enfoque típicamente comienza con diseños fraccionarios de 2 niveles para seleccionar una gran cantidad de variables (basados en los principios de escasez y jerarquía de efectos). Luego mover el espacio en la dirección de mejora y reducir 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 muy útil para comprender la superficie. Este tipo de trabajo es mejor. administrado por el científico o ingeniero que entiende los mecanismos (por ejemplo, físicos, químicos) y puede interpretar los resultados de un estudio estadístico. Es el científico/ingeniero quien debe explicar (hipótesis) y predecir los posibles efectos de los factores (y si el efecto es lineal en el espacio que se investiga), las interacciones y extremadamente importante, el RUIDO . Quizás deberías empezar por entender el modelo de primer orden. y el impacto del ruido antes de investigar relaciones no lineales, pero esto es una función de lo que sabes y lo que no sabes. Mi consejo, basado en su discusión limitada sobre su situación, es dedicar algún tiempo a identificar cuál podría ser el ruido y luego desarrollar una estrategia para manejar ese ruido. También creo que bloquear (o: repeticiones, parcelas divididas, covariables, etc.) es una mejor estrategia que la aleatorización. Porque desea comprender el impacto del ruido, preferiblemente asígnelo, no solo obtener una estimación numérica de su tamaño. Si bien se espera que la aleatorización le brinde una estimación imparcial del ruido, puede comprometer la precisión del diseño.
"Bloquea lo que puedas y aleatoriza lo que no puedas", GEP Caja
No estoy diciendo que no utilice diseños de detección 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 obtenerla. Esa información.
Buena suerte en tu viaje.
