Diseño DOE para estudiar específicamente la varianza (o desarrollo estándar)Estimada comunidad de JMP,
Espero escuchar algunas ideas sobre un diseño del DOE destinado a examinar las desviaciones estándar de un método de prueba.
Mis colegas tienen una prueba que realizan en un producto que fabricamos y quieren ver si pueden cambiar partes de la metodología de prueba para reducir las desviaciones estándar. No conozco una plataforma DOE específica en JMP que esté diseñada para hacer esto, por lo que terminamos usando la plataforma personalizada.
Después de algunas discusiones, nos decidimos por cuatro factores que podrían cambiarse: X1 - factor continuo (-1,1), X2 - factor continuo (-1,1), X3 - categórico de 2 niveles (L1, L2) y X4 - categórico de 6 niveles (L1-L6). Estábamos realmente interesados en cada uno de los cuatro efectos principales y sus interacciones de primer orden: X1, X2, X3, X4, X1 * X2, X1 * X3, X1 * X4, X2 * X3, X2 * X4 y X3 * X4 (10 efectos en total). Fuimos con 36 como el número total de carreras. Pero, para obtener una estimación de la desviación estándar en cada entorno, replicamos el DOE un total de 4 veces, para un total de 144 pruebas. Eso era todo lo que podíamos permitirnos.
Por supuesto, podemos ejecutar la evaluación del DOE en las 144 pruebas para estimar la respuesta media (y el ruido de la experimentación) con los factores del modelo, lo cual hicimos. Pero, lo que realmente queremos ver es si un entorno de tratamiento cambió o no la desviación estándar del método de prueba. La forma en que lo hicimos fue calcular una desviación estándar de las ejecuciones replicadas (ahora de nuevo a 36 puntos de datos) y ejecutar esos resultados a través del modelo.
Para mí, todo esto parece una forma razonable de realizar un DOE en el que el objetivo es evaluar los cambios en las desviaciones estándar y no en las medias. Sin embargo, si existe un enfoque mejor (tal vez basado en la experiencia), o un DOE diseñado específicamente para hacer esto, estaremos encantados de conocerlo y quizás adoptarlo para los próximos intentos.
Pensamientos y comentarios muy apreciados.
¡Gracias!,
DS
PD En caso de que esté interesado, después de evaluar todas las medidas individuales y las desviaciones estándar de las réplicas, encontramos que el factor X4 tuvo el mayor impacto en las desviaciones estándar. Desafortunadamente, cuando más tarde ejecutamos algunas ejecuciones de verificación, ahora solo comparamos 32 ejecuciones (en total) en dos de los niveles en X4, los resultados no respaldaron el DOE original y no pudimos ver la mejora en la desviación estándar que esperábamos ( en el lado positivo, ¡no fue peor!).
AnalíticaGAMARe: diseño DOE para estudiar específicamente la varianza (o desarrollo estándar)Estos son algunos de mis pensamientos, aunque su descripción de la situación no es suficiente para brindar un consejo específico.
1. Para aclarar que está interesado en comprender qué factores pueden influir en la variación del sistema de prueba (precisión). ¿Existe alguna hipótesis sobre si la precisión está influenciada por diferentes instrumentos u operadores? Si es así, este es reproducibilidad precisión. Si se debe solo a la variación del instrumento, esto es repetibilidad precisión. La razón por la que esto es importante es porque desea saber cómo adquirir medidas para que se utilicen las estadísticas de resumen adecuadas. ¿Hay interés en la estabilidad? ¿Qué hay de la discriminación?
2. Debe considerar las variables de respuesta y cómo se obtendrán. ¿No sé lo que estás probando? No veo ninguna información sobre cuántas muestras se medirán. Debería realizar mediciones repetidas de la misma muestra para obtener errores de medición (quizás en la misma ubicación). Si incluye op-to-op o simplemente la precisión de repetibilidad debe ser una función de sus hipótesis.
3. Si realmente hizo réplicas, confundió la variación de tratamiento a tratamiento con errores de medición. No es así como abordaría el problema. Usaría repeticiones, no repeticiones para obtener las estadísticas de resumen adecuadas. Piense en qué datos se están utilizando para estimar la estadística de resumen (p. Ej., Desviación estándar). ¿Qué está cambiando entre esos puntos de datos? Solo desea tener los componentes de medición capturados en los puntos de datos (minimizar los otros componentes dentro del subgrupo) que está utilizando para estimar la desviación estándar.
4. No sé dónde se encuentra en el continuo del conocimiento, pero sesgó su estudio al factor X4 probándolo en tantos niveles (piense en grados de libertad). Habría comenzado con todos los factores en 2 niveles (elegir los extremos de las categorías del factor 4) y procedido como si fuera un diseño de detección.
Re: diseño DOE para estudiar específicamente la varianza (o desarrollo estándar)Hola @statman ,
Gracias por tus pensamientos y comentarios. Para responder a sus comentarios / preguntas:
1. Sí, las personas que dirigen el DOE estaban interesadas en modificar diferentes factores que pensaban que eran los más influyentes en el ruido de la prueba. Se sabe que cada uno de los factores probados afecta la respuesta media de las mediciones, pero queríamos ver si los factores y sus interacciones también podrían conducir a una mejora en el ruido. Pruebas anteriores han demostrado que los instrumentos involucrados y los operadores no son tan ruidosos como la metodología de prueba. Uno de los grandes problemas de esta prueba es que estamos tratando con polvo de grano pequeño con cantidades muy pequeñas, menos de 1/4 de gramo. Entonces, supongo que la segregación inducida por el tamaño de las partículas tiene un papel importante. Uno de los factores probados fue la cantidad, pero no pudimos encontrar ninguna mejora en las desviaciones estándar con el uso de más material.
2/3. Desde la primera publicación, mencioné que en base a los 10 factores (efectos principales e interacciones), JMP recomendó 36 ejecuciones. Cada ejecución (tratamiento) se midió cuatro veces con el fin de calcular un desarrollo estándar para cada tratamiento, por lo que se realizaron un total de 144 mediciones individuales. Entonces, para abordar su inquietud, hicimos mediciones repetidas de la "misma" muestra. Pongo entre comillas porque la muestra de prueba se consume en el proceso de la prueba. Pero, el material de origen se generó para cada ejecución y las muestras de este se midieron varias veces (4) para cada tratamiento. Replicar puede no ser el término correcto, pero es lo que hicimos en JMP para aumentar el DOE y realizar un seguimiento de cada ejecución que necesitábamos hacer.
4. X4 tiene que ver con el hecho de que estamos tratando con polvos y necesitamos mirar diferentes rangos de PSD, de ahí los muchos niveles de X4. Sabemos por pruebas anteriores que el extremo inferior y superior del PSD tiene un gran impacto en la media de la respuesta, y hubo indicios de que el desarrollo estándar podría reducirse. Los niveles adicionales se agregaron para ver si podemos usar tamaños de PSD más estrechos para reducir el ruido. Este DOE terminó dando una indicación de que es posible, pero las ejecuciones de verificación no respaldaron ese resultado. Los otros factores son todos ajustes altos / bajos, de los cuales solo dos son realmente continuos.
Desafortunadamente, nuestro material es un polvo y los polvos no se comportan "bien" como unidades semiconductoras o elementos mecanizados, por ejemplo. Creo que la metodología es intrínsecamente ruidosa debido a esto y es tan buena como puede ser.
Gracias nuevamente por sus pensamientos, algunos buenos puntos a considerar para mis colegas cuando quieran hacer algo similar en el futuro.
¡Gracias!,
DS
Re: diseño DOE para estudiar específicamente la varianza (o desarrollo estándar)Bien, gracias por la información adicional que ha proporcionado sobre la situación. ¿Aún no sé qué características / propiedades de los polvos estás intentando cuantificar?
Si entiendo correctamente, esta medida es alteradora o destructiva (la muestra idéntica no se puede medir dos veces). Dado que este es el caso, es imposible separar la repetibilidad de la medición de la variación de muestra a muestra. En estos casos, existen algunas opciones para "sesgar" el efecto al componente de medición. Adjunto mis notas sobre cómo manejar esto.
No debe analizar las repeticiones (que están anidadas dentro del tratamiento) como repeticiones. Puede ver esos 4 puntos de datos en un gráfico de control de rango y luego resumir esos 4 puntos de datos para cada tratamiento (promedio y desviación estándar, por ejemplo) si corresponde. El modelo que más le interesa es para la variable de respuesta de std dev. (o estadística resumida equivalente)
Las combinaciones de réplicas y tratamientos cambian entre cada "punto de datos" (normalmente las llamamos unidades experimentales ... se consideran independientes y pueden tratarse como tales).
Se repite: las combinaciones de tratamientos NO cambian entre "puntos de datos". Estos no deben considerarse eventos independientes (por lo tanto, no aumentan los grados de libertad) y esta variación está anidada en el tratamiento.
Solo mi propio comentario parcial ... al experimentar en niveles para factores> 2, sospecho de una mentalidad de elegir el "ganador". Lo que quiero hacer primero es una comparación justa para ver qué factores / interacciones tienen un efecto en la variación y luego, en una iteración posterior, ajustar la configuración de nivel para los factores que son significativos.
Diría que cada situación tiene sus propios desafíos inherentes. Polvos no más que otros. He usado analizadores de tamaño de partículas para ayudar a comprender la distribución de tamaños de partículas, SEM para composición química y topografía e incluso un OJAY para nano mediciones.
