Vor kurzem hat sich JMP mit der Royal Society of Chemistry and Chemistry World zusammengetan, um eine einwöchige Seminarreihe zum experimentellen Design abzuhalten.
Die Serie sollte angeblich für den Osten und Westen der Vereinigten Staaten gedacht sein, aber wie die Teilnehmerkarte unten zeigt, liefen die Dinge an diesem Punkt ein wenig aus dem Ruder.
Die Seminarreihe umfasste ein Panel von JMP Experten, die Fragen des Publikums beantworten. Bei zwischen 600 und 900 Teilnehmern pro Session war es eine Herausforderung, alle Fragen im Ablauf der Veranstaltung zu beantworten. Und davon gab es viele – in der Größenordnung von 400 Fragen in der Live-Session, noch mehr in der Offline-Umgebung.
Nachdem sich das Team erholt hatte (und das gemeinsame Einreibemittel seine Magie vollbracht hatte), haben wir uns zusammengetan und die Fragen nach Trends durchgesehen, um die FAQs der Serie ins Web zu stellen. In echter JMP-Manier haben wir diese Fragen über den Text Explorer bearbeitet und die Top 5 ermittelt. Hier sind sie zusammen mit unseren Antworten:
Frage 1: Wozu dienen Mittelpunkte? Wann müssen wir sie verwenden? Wie viele brauchen wir?
Okay, das sollten wir wohl erst einmal klären: Ein Mittelpunkt ist eine experimentelle Behandlung, die im Zentrum des Gestaltungsraums existiert. Wenn Sie einen Entwurfsraum mit drei Faktoren haben, können Sie ihn einem 3D-Diagramm zuordnen, und er würde im Allgemeinen wie ein Würfel aussehen. Der Mittelpunkt würde in der Mitte des Würfels liegen, gleich weit von allen Kanten, Flächen und Scheitelpunkten entfernt.
Der Hauptzweck eines Mittelpunkts besteht darin, uns auf die Krümmung (oder das krummlinige Verhalten, wenn Sie das Wort $5 dafür wollen) im Datensatz aufmerksam zu machen. Einige wenige Mittelpunkte zusammen können auch als Ersatz für die Replikation verwendet werden. Das heißt, Sie sollten sich wirklich nicht die Frage stellen, wann Sie sie verwenden sollen. Wenn Sie sich auf modellzentrierte DOE (optimale Designs) und andere moderne DOE-Strategien wie Definitive Screening Designs (DSDs) konzentrieren, werden Mittelpunkte automatisch eingefügt, wenn sie erforderlich sind. Sie müssen nur Modellterme einschließen, die untersucht werden müssen, und die Algorithmen erledigen den Rest. Wenn Sie mehr Mittelpunkte zur Untersuchung der Variabilität hinzufügen möchten (und Sie bereits Material für ein Validierungsset beiseite gelegt haben!), können Sie sie einfach hinzufügen. Sie müssen nur eine Leistungsanalyse durchführen, um die richtige Zahl herauszufinden.
Frage 2: Müssen wir unsere Experimente wiederholen? Warum? Kann ich wiederholte Messungen als Replikate verwenden?
Die Antwort darauf hängt stark von der Art des Experiments ab, das Sie durchführen. Wenn Sie eher am „Screening“-Ende der Dinge arbeiten, ist das Replizieren weniger wichtig, da Sie nach groben Trends und nicht so viel Variabilität suchen. Sie Macht Fügen Sie einige Mittelpunkte hinzu, um eine Vorstellung von der Variation zu erhalten, und überprüfen Sie die Krümmung, wenn Sie keine DSD durchführen. Aber das war es schon. Wenn Sie Modellerstellung oder -verfeinerung durchführen, sollten Sie wahrscheinlich Replikationen durchführen, wenn Sie die Ressourcen und die Zeit haben.
Bei wiederholten Messungen (z. B. Ausführen derselben Faktoreinstellungen einige Male hintereinander oder Erlangen mehrerer Messungen zum Ergebnis eines Laufs der Faktoreinstellungen) sind nicht replizierte Läufe. Es ist ein wenig verwirrend, weil repliziert und wiederholt oder wiederholte Messungen klingen, als ob sie dasselbe sein sollten, aber in diesem Fall gibt es einen wichtigen Unterschied.
EIN repliziert run (im Sinne von DOE) ist eine randomisierte Wiederholung des Experiments. Angenommen, Sie nehmen eine DOE-Tabelle und legen sie in eine Tabelle. Dann, wenn du ein setzen würdest zweite Kopie des kompletten DOE darunter in derselben Tabelle, das wäre immer noch kein repliziertes DOE ... noch. Wenn Sie nun die Zeilenreihenfolge der beiden Kopien des DOE randomisieren würden, wäre das ein DOE mit Replikaten.
Wenn du tust wiederholt Sie können ihren Durchschnitt nehmen und dann den Durchschnitt als Wert für diese Behandlungskombination verwenden, aber sie sind nicht identisch mit repliziert läuft. Der wichtige Punkt ist, dass Reproduzieren beinhaltet Randomisierung und kann daher die Auswirkungen von lauernden Variablen abschwächen. Wiederholte Messungen habe diese Eigenschaft nicht.
Frage 3: Wie viele Antworten kann ich in meinem DOE haben? Wie arbeite ich mit ihnen?
Hinzufügen Faktoren zu einem DOE erhöht die Kosten in Bezug auf die erforderlichen Durchläufe; Antworten sind grundsätzlich kostenlos. Sie können eine unbegrenzte Anzahl von Antwortvariablen messen, um zu verstehen, wie sich Faktoränderungen auf alle Antworten auswirken. Bei der Suche nach optimalen Prozesseinstellungen mit dem JMP Prediction Profiler können Benutzer ein Gewichtungsschema auswählen, das die relative Bedeutung verschiedener Antworten widerspiegelt.
Obwohl es keine theoretischen Grenzen für die Anzahl der Antworten gibt, die Sie in einem DOE haben, ist es von Vorteil, alle Ihre Antworten während der DOE-Einrichtung zu definieren. JMP leitet sie nach der Datenerfassung automatisch mit allen von Ihnen bereitgestellten Informationen (obere/untere Erwünschtheitsgrenzen, LOD-Werte, Ziele und Wichtigkeiten) an die Modellierungsplattform weiter. Es hilft auch sicherzustellen, dass Sie überlegt haben, wie Sie den Erfolg Ihres DOE messen und sicherstellen, dass alle Ihre Antworten Unterschiede auf den Ebenen erkennen können, die Sie für Ihre Faktoren planen.
Frage 4: Woher wissen Sie, ob Ihre Faktorbereiche angemessen sind?
Eine Faustregel lautet: Wenn Sie aufgrund Ihrer Faktoreinstellungen erwarten, dass einige Ihrer Läufe unerwünschte Ergebnisse liefern (dh im Papierkorb landen), haben Sie wahrscheinlich Recht. Sie möchten jedoch nicht, dass Ihre Reichweiten so breit sind, dass Sie am Ende überhaupt keine messbaren Ergebnisse erzielen.
Eine andere Möglichkeit dies auszudrücken ist dieser Rat: B Seien Sie mutig bei der Festlegung Ihrer Faktorbereiche . Setze deine Tiefs niedrig , und deine Höhen hoch . Die Versuchung ist groß, nur auf Bereiche zu schauen, in denen man sich wohl fühlt, weil man vermutet, dass dort das Optimum erreicht ist. Vermeiden Sie diese Versuchung. Die Ergebnisse des Modells werden klarer und die Schätzungen werden genauer, wenn die Faktorbereiche größer sind.
Wenn Sie befürchten, dass Ihr Prozess aufgrund der großen Bereiche in einigen Bereichen des Entwurfsraums keine brauchbaren Daten erzeugt, können Sie diese Bedenken oft durch die Definition von Faktoreinschränkungen, die die Zuweisung von Läufen zu diesen Bereichen verhindern, ausräumen.Denken Sie daran, dass Sie die Flexibilität haben, diese Strategie mit optimalen Designs zu verwenden.
Manchmal befürchten Experimentatoren, dass sie durch zu breite Einstellung von Faktorbereichen aufgrund einer gekrümmten Beziehung zwischen einem Faktor und einer Reaktion eine optimale Einstellung verpassen, die in der Mitte des Bereichs auftritt. In einem benutzerdefinierten Design sollte dies durch Hinzufügen von Polynomtermen zum gewünschten Modell behoben werden, wodurch das generierte Design Läufe enthält, die auf Zwischenfaktorwerte zwischen den Endpunkten festgelegt sind.
Im Allgemeinen möchten Sie, dass Ihre Experimente einen ausreichend großen Bereich abdecken, um Unterschiede in Ihren Einstellungen deutlich zu erkennen. Sie möchten auch, dass Ihre Einstellungen weit genug auseinander liegen, damit Sie alle Wendepunkte in Ihren geschwungenen Linien sehen können, damit Sie wissen, wo „gut“ und „schlecht“ sind. Andernfalls wird das Ergebnis bei der Optimierung den extrem hohen oder niedrigen Wert in Ihrem Entwurfsbereich aufweisen. Und Sie werden nicht wissen, ob Sie sich in der Nähe eines Ortes befinden, an dem Ihr System außer Kontrolle gerät.
Frage 5: Was ist der Unterschied zwischen klassischem Design und modernem Design?
Klassische Designs sind feste Pläne, denen der Experimentator folgen muss, um die geplante Studie seinen Anforderungen und Einschränkungen anzupassen. Diese Designs wurden vor der Ära der allgegenwärtigen und billigen Computer entwickelt. Moderne Designs verwenden Softwarealgorithmen, um einen einzigartigen Plan für die jeweilige Situation zu erstellen. Moderne Designs versuchen, die vom Experimentator gestellten statistischen Fragen bestmöglich zu beantworten, während das vorgegebene Experimentierbudget eingehalten wird.
Modernes Design ist die natürliche Erweiterung des klassischen Designs. Durch den Betrieb moderner DOEs verlieren Sie nichts an klassisches Design, gewinnen aber viel Flexibilität. Grundsätzlich sind moderne Designs modellzentriert , dass sie das Design an ein Modell anpassen, das aus vom Benutzer definierten Begriffen besteht. Als Anwender entscheiden Sie durch die Auswahl des Modells, was Sie im Experiment lernen möchten. Klassische Designs sind designorientiert , dass sie das Design definieren und vom Benutzer erwartet wird, dass seine Fragen in dieses vordefinierte Design passen. In vielen Fällen führen moderne und klassische Ansätze zum gleichen Design, da die klassischen Designs optimal für die Anpassung von Standardmodellen sind. Moderne Designs ermöglichen es Ihnen, das optimale Design in Situationen zu finden, in denen klassische Ansätze nicht funktionieren würden, beispielsweise wenn Sie einen unregelmäßig geformten Faktorraum haben, den Sie erkunden müssen.
Das Abenteuer geht weiter
Und das ist es. Bei der Betrachtung der Ergebnisse war es interessant zu sehen, wie häufig diese Fragen aufkamen. Es erinnerte mich an etwas, was viele meiner Lehrer sagten: „Stellen Sie die Frage, weil es sehr wahrscheinlich ist, dass andere sie auch haben, aber zu schüchtern sind, um sie zu stellen.“
Glaubst du, wir haben einen verpasst? Gibt es noch andere brennende Fragen zu DOE? Schreiben Sie sie in die Kommentare und wir werden sehen, was wir tun können, um sie zu beantworten. Bis dahin viel Spaß beim Experimentieren!
