Factores de ponderación en un DOE (función de Minitab)Hola,
tenemos una empresa con usuarios de Minitab que desean agregar ponderaciones en algunos factores en un DOE en JMP (como Minitab parece permitir). ¿Tiene sentido, es una comparación justa si pondera algunos factores, cuál es el propósito?
¿Podemos reproducir eso en JMP? Tengo en mente crear una fórmula "peso = [3X1 + X2 + ... + Xn" (ponderando X1 por 3 veces en factores normalizados como ejemplo) y usarla como peso. ¿Alguna idea, recomendación? Gracias por la ayuda.
Emmanuel
Re: factores de ponderación en un DOE (función de Minitab)Hola @Emmanuel_Romeu ,
Ciertamente, podemos ponderar factores o efectos en el diseño personalizado en JMP.
Hay 2 opciones que podrían ayudar:
1. Ponderado A-Óptimo. Esto le permite asignar una ponderación diferente a cada efecto del modelo. Le recomendamos que pese en diferentes órdenes de magnitud. Por ejemplo, pondera tus efectos más importantes 10 y los otros 1. Debería ver que los efectos muy ponderados tendrán una mayor potencia y una menor correlación con otros efectos.
2. Puede seleccionar la opción "Si es posible" para estimar los efectos menos importantes. Esto le permite crear un diseño con menos corridas que efectos en el modelo: un diseño sobresaturado.
La reciente presentación de Brad Discovery cubre A-óptimo.
Me sorprende que Minitab tenga esta sofisticación. Me interesaría saber más sobre su capacidad.
Saludos,
Phil
Re: factores de ponderación en un DOE (función de Minitab)Residencia en lo que tienen en su sitio web están hablando de regresión ponderada. Utilice la función Peso en el cuadro de diálogo Ajustar modelo. La parte más complicada es crear la columna de pesos. Si el valor de una fila corresponde a una medición promedio, la inversa de la varianza de los datos brutos se usa comúnmente como ponderación.
La regresión ponderada ayuda a mejorar la violación del supuesto de varianza (respuesta) homogénea en todo el espacio de diseño. La optimización A afecta la matriz de diseño y la precisión de las estimaciones de los parámetros. Es decir, la regresión ponderada se refiere a la varianza en las Y y la optimización A en la varianza en las X.
