Di recente, JMP ha collaborato con la Royal Society of Chemistry and Chemistry World per tenere una serie di seminari di una settimana sulla progettazione sperimentale.
La serie doveva, apparentemente, essere per gli Stati Uniti orientali e occidentali, ma, come mostra la mappa dei partecipanti qui sotto, beh, le cose sono un po' sfuggite di mano su quel punto.
La serie di seminari comprendeva un panel di JMP esperti che avrebbero risposto alle domande presentate dal pubblico. Con tra i 600 ei 900 partecipanti in ogni sessione, è stato difficile rispondere a tutte le domande nel corso dell'evento. E ce n'erano molte, nell'ordine delle 400 domande nella sessione live, con ancora di più nell'ambiente offline.
Una volta che il team si è ripreso (e il linimento articolare ha fatto la sua magia), ci siamo riuniti e abbiamo esaminato le domande per le tendenze da inserire nelle FAQ della serie sul web. In vero stile JMP, abbiamo risposto a queste domande tramite Text Explorer e siamo arrivati alle prime cinque. Eccoli, insieme alle nostre risposte:
Domanda 1: Qual è lo scopo dei punti centrali? Quando dobbiamo usarli? Di quanti ne abbiamo bisogno?
OK, probabilmente dovremmo prima chiarire questo: un punto centrale è un trattamento sperimentale che esiste al centro dello spazio del design. Se disponi di uno spazio di progettazione a tre fattori, puoi mapparlo su un grafico 3D e generalmente sembrerebbe un cubo. Il punto centrale siederà al centro del cubo, equidistante da tutti i bordi, facce e vertici.
Lo scopo principale di un punto centrale è aiutarci ad avvisarci della curvatura (o del comportamento curvilineo, se vuoi la parola $ 5 per questo) nel set di dati. Alcuni punti centrali insieme possono anche essere usati come sostituto della replica. Detto questo, non dovresti davvero preoccuparti della domanda su quando usarli. Se ti concentri sul DOE incentrato sul modello (progettazioni ottimali) e su altre strategie DOE moderne come i progetti di screening definitivi (DSD), i punti centrali vengono automaticamente inclusi quando sono necessari. Devi solo includere i termini del modello che necessitano di punti centrali per essere studiati e gli algoritmi si occuperanno del resto. Se vuoi aggiungere più punti centrali per studiare la variabilità (e hai già messo da parte del materiale per un set di convalida!), allora puoi aggiungerli abbastanza facilmente. Devi solo fare un'analisi della potenza per capire il numero corretto.
Domanda 2: Abbiamo bisogno di replicare i nostri esperimenti? Perché? Posso utilizzare misurazioni ripetute come repliche?
La risposta a questa domanda dipende molto dal tipo di esperimento che stai facendo. Se sei più orientato allo "screening", replicare è meno importante perché stai cercando tendenze grossolane e non tanta variabilità. voi potrebbe aggiungi alcuni punti centrali per avere un'idea della variazione e fai uno screening per la curvatura se non stai eseguendo un DSD. Ma questo è tutto. Se stai eseguendo la costruzione o il perfezionamento del modello, probabilmente dovresti fare delle repliche se hai le risorse e il tempo.
Sulle misurazioni ripetute (ad esempio, eseguendo le stesse impostazioni del fattore alcune volte una dopo l'altra o ottenendo più misurazioni sull'esito di una corsa delle impostazioni del fattore), quelle non sono corse replicate. C'è un po' di confusione perché replica e si ripete o misurazioni ripetute sembra che dovrebbero essere la stessa cosa, ma in questo caso c'è un'importante differenza.
UN replicato run (nel senso DOE) è una ripetizione randomizzata dell'esperimento. Supponiamo che dovessi prendere una tabella DOE e inserirla in un foglio di calcolo. Quindi se dovessi mettere a seconda copia del DOE . completo sotto di esso sullo stesso foglio di calcolo, che ancora non sarebbe un DOE replicato... ancora. Ora, se dovessi quindi randomizzare l'ordine delle righe delle due copie del DOE, questo sarebbe un DOE con repliche.
Se stai facendo ripetuto misurazioni, puoi prendere la loro media e quindi utilizzare la media come valore per quella combinazione di trattamento, ma non sono le stesse di replicato corre. L'importante è che replica include randomizzazione e può quindi diluire gli effetti delle variabili in agguato. Misurazioni ripetute non hai questa proprietà
Domanda 3: Quante risposte posso avere nel mio DOE? Come lavoro con loro?
aggiungendo fattori ad un DOE aumenta il costo, in termini di corse richieste; risposte sono essenzialmente gratuiti. Puoi misurare un numero illimitato di variabili di risposta per capire come i cambiamenti dei fattori influenzano tutte le risposte. Quando si trovano le impostazioni di processo ottimali utilizzando JMP Prediction Profiler, gli utenti possono scegliere uno schema di ponderazione che rifletta l'importanza relativa delle diverse risposte.
Sebbene non ci siano limiti teorici al numero di risposte che hai in un DOE, è a tuo vantaggio definire tutte le tue risposte durante la configurazione del DOE. JMP li trasmetterà automaticamente alla piattaforma di modellazione dopo la raccolta dei dati con tutte le informazioni fornite (limiti di desiderabilità superiore/inferiore, valori LOD, obiettivi e importanza). Aiuta anche ad assicurarti di aver considerato come valutare il successo per il tuo DOE e assicurarti che tutte le tue risposte possano rilevare differenze ai livelli che stai pianificando per i tuoi fattori.
Domanda 4: Come fai a sapere se i tuoi intervalli di fattori sono appropriati?
Una regola empirica è che se, in base alle impostazioni dei fattori, ti aspetti che alcune delle tue corse diano risultati indesiderati (cioè finiscano nel cestino), probabilmente hai ragione. Ma non vuoi che i tuoi intervalli siano così ampi da non ottenere risultati misurabili.
Un altro modo in cui questo potrebbe essere espresso è questo consiglio: B e audace nell'impostare gli intervalli dei fattori . Imposta i tuoi minimi Basso , e i tuoi alti alto . C'è una grande tentazione di guardare solo alle gamme che ti fanno sentire a tuo agio, perché sospetti che l'optimum sia raggiunto lì. Evita quella tentazione. I risultati del modello saranno più chiari e ci sarà più precisione nelle stime quando gli intervalli di fattori sono più grandi.
Se sei preoccupato che il tuo processo non riesca a produrre dati utilizzabili in alcune regioni dello spazio di progettazione a causa degli ampi intervalli, questa preoccupazione può spesso essere affrontata definendo vincoli di fattore che impediscono l'assegnazione di corse a tali aree.Ricorda, hai la flessibilità di utilizzare questa strategia con design ottimali.
A volte gli sperimentatori sono preoccupati che impostando intervalli di fattori troppo ampi, potrebbero perdere un'impostazione ottimale che si verifica nel mezzo dell'intervallo, a causa di una relazione curva tra un fattore e una risposta. In un progetto personalizzato, questo dovrebbe essere affrontato aggiungendo termini polinomiali al modello desiderato, il che farà sì che il progetto generato includa corse che sono impostate su valori di fattore intermedio tra i punti finali.
Più in generale, desideri che i tuoi esperimenti coprano un intervallo sufficientemente ampio per vedere chiaramente le differenze nelle impostazioni. Vuoi anche che le tue impostazioni siano abbastanza distanti in modo da poter vedere eventuali punti di flesso nelle tue linee curve, permettendoti di sapere dove sono "buoni" e "cattivi". Altrimenti, quando ottimizzi, il risultato sarà al valore estremamente alto o basso nel tuo spazio di progettazione. E non saprai se sei vicino a un luogo in cui il tuo sistema va fuori controllo.
Domanda 5: Qual è la differenza tra design classico e design moderno?
I disegni classici sono piani fissi che lo sperimentatore deve seguire, adattando lo studio pianificato ai propri requisiti e vincoli. Questi progetti sono stati sviluppati prima dell'era dell'informatica onnipresente ed economica. I design moderni utilizzano algoritmi software per generare un piano unico per la situazione a portata di mano. I progetti moderni cercano di dare la migliore risposta possibile alle domande statistiche poste dallo sperimentatore, pur rimanendo all'interno del budget sperimentale specificato.
Il design moderno è la naturale estensione del design classico. Eseguendo DOE moderni, non perdi nulla di ciò che ricordi del design classico, ma ottieni una grande flessibilità. Fondamentalmente, i design moderni sono incentrato sul modello in quanto fanno in modo che il design si adatti a un modello fatto di termini definiti dall'utente. Come utente, stai decidendo cosa vuoi imparare nell'esperimento selezionando il modello. I disegni classici sono incentrato sul design in quanto definiscono il design e ci si aspetta che l'utente inserisca le proprie domande in quel design predefinito. In molti casi gli approcci moderni e classici porteranno allo stesso design perché i design classici sono ottimali per adattarsi a modelli standard. I design moderni consentono di trovare il design ottimale in situazioni in cui gli approcci classici non funzionerebbero, ad esempio quando si dispone di uno spazio fattore di forma irregolare che è necessario esplorare.
L'avventura continua
E questo è tutto. Guardando i risultati, è stato interessante vedere con quale frequenza queste domande sono emerse. Mi ha ricordato qualcosa che molti dei miei insegnanti dicevano: "Fai la domanda, perché è molto probabile che anche altri ce l'abbiano, ma sono troppo timidi per chiedere".
Comunque, pensi che ne abbiamo perso uno? Ci sono altre domande scottanti che hai sul DOE? Vai avanti e inseriscili nei commenti e vedremo cosa possiamo fare per ottenere una risposta. Fino ad allora, buon esperimento!
