Recentemente, JMP ha collaborato con la Royal Society of Chemistry e la Chemistry World per tenere una serie di seminari della durata 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 andate un po' fuori controllo su quel punto.
La serie di seminari comprendeva un panel di JMP esperti che avrebbero risposto alle domande poste dal pubblico. Con tra i 600 e i 900 partecipanti in ciascuna sessione, è stato impegnativo rispondere a tutte le domande nel corso dell'evento. E ce n'erano moltissime: circa 400 domande nella sessione live, e 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 sulle tendenze da inserire nelle FAQ della serie sul web. In perfetto stile JMP, abbiamo esaminato queste domande tramite Text Explorer e ne abbiamo individuate le 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 di progettazione. Se disponi di uno spazio di progettazione a tre fattori, potresti mapparlo su una trama 3D e generalmente assomiglierebbe a un cubo. Il punto centrale si troverebbe 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 da $ 5) nel set di dati. Alcuni punti centrali insieme possono anche essere usati come sostituto della replica. Detto questo, non dovresti davvero preoccuparti della questione di 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 inclusi automaticamente quando necessario. Devi solo includere termini del modello che necessitano di punti centrali per essere studiati e gli algoritmi si occupano del resto. Se desideri aggiungere più punti centrali per studiare la variabilità (e hai già messo da parte il materiale per un set di validazione!), puoi aggiungerli abbastanza facilmente. Devi solo fare un'analisi della potenza per capire il numero corretto.
Domanda 2: Dobbiamo 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 interessato allo “screening” delle cose, la replica è meno importante perché stai cercando tendenze grossolane e non tanta variabilità. Voi Potrebbe aggiungi alcuni punti centrali per avere un'idea della variazione ed esegui un po' di screening per la curvatura se non stai eseguendo un DSD. Ma questo è tutto. Se stai costruendo o perfezionando il modello, probabilmente dovresti fare delle repliche se hai le risorse e il tempo.
Nelle misurazioni ripetute (ad esempio, eseguendo le stesse impostazioni dei fattori alcune volte una dopo l'altra o ottenendo misurazioni multiple sul risultato di un'esecuzione delle impostazioni dei fattori), quelle non sono corse replicate. È un po' confuso perché si replica E ripete O misurazioni ripetute sembrano essere la stessa cosa, ma in questo caso c'è una differenza importante.
UN replicato run (nel senso DOE) è una ripetizione randomizzata dell'esperimento. Supponiamo che tu debba 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, non sarebbe comunque un DOE replicato...per ora. Ora, se dovessi randomizzare l'ordine delle righe delle due copie del DOE, si otterrebbe un DOE con repliche.
Se lo stai facendo ripetuto misurazioni, è possibile prendere la loro media e quindi utilizzare la media come valore per quella combinazione di trattamenti, ma non sono la stessa cosa replicato corre. Il punto importante è questo replica include randomizzazione e possono quindi diluire gli effetti delle variabili in agguato. Misurazioni ripetute non hanno questa proprietà
Domanda 3: quante risposte posso avere nel mio DOE? Come posso lavorare con loro?
Aggiunta fattori ad un DOE aumenta il costo, in termini di tirature richieste; risposte sono essenzialmente gratuiti. È possibile misurare un numero illimitato di variabili di risposta per comprendere in che modo i cambiamenti dei fattori influenzano tutte le risposte. Quando trovano le impostazioni ottimali del processo utilizzando JMP Prediction Profiler, gli utenti possono scegliere uno schema di ponderazione che riflette l'importanza relativa delle diverse risposte.
Anche se non esistono limiti teorici al numero di risposte disponibili in un DOE, è a tuo vantaggio definire tutte le 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 del tuo DOE e ad 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 pratica è che se, in base alle impostazioni dei fattori, prevedi che alcune delle tue esecuzioni diano risultati indesiderati (ad esempio, finiscano nella spazzatura), 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 coraggioso nell'impostare i tuoi intervalli di fattori . Imposta i tuoi minimi Basso e i tuoi alti alto . C'è una grande tentazione di guardare solo agli intervalli che ti fanno sentire a tuo agio, perché sospetti che lì si raggiunga l'ottimale. Evita quella tentazione. I risultati del modello saranno più chiari e ci sarà maggiore precisione nelle stime quando gli intervalli dei fattori sono più ampi.
Se si teme che il processo non riesca a produrre dati utilizzabili in alcune regioni dello spazio di progettazione a causa degli ampi intervalli, è spesso possibile risolvere questo problema definendo vincoli fattoriali che impediscano l'assegnazione delle esecuzioni a tali aree.Ricorda, hai la flessibilità di utilizzare questa strategia con progetti ottimali.
A volte gli sperimentatori temono che, impostando intervalli di fattori troppo ampi, potrebbero perdere un'impostazione ottimale che si verifica a metà dell'intervallo, a causa di una relazione curva tra un fattore e una risposta. In un progetto personalizzato, questo problema dovrebbe essere risolto aggiungendo termini polinomiali al modello desiderato, in modo che il progetto generato includa esecuzioni impostate su valori di fattore intermedi tra gli endpoint.
Più in generale, vuoi che i tuoi esperimenti coprano un intervallo sufficientemente ampio da poter vedere chiaramente le differenze nelle tue impostazioni. Vuoi anche che le tue impostazioni siano sufficientemente distanti tra loro in modo da poter vedere eventuali punti di flesso nelle linee curve, permettendoti di sapere dove sono "buono" e "cattivo". 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 punto in cui il tuo sistema va fuori controllo.
Domanda 5: Qual è la differenza tra design classico e design moderno?
I progetti classici sono piani fissi che lo sperimentatore deve seguire, adattando lo studio pianificato alle proprie esigenze e vincoli. Questi progetti sono stati sviluppati prima dell’era dell’informatica onnipresente ed economica. I progetti moderni utilizzano algoritmi software per generare un piano unico per la situazione in questione. I progetti moderni tentano di fornire la migliore risposta possibile alle domande statistiche poste dallo sperimentatore, pur rimanendo entro il 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 lo sono incentrato sul modello in quanto adattano il design a un modello composto da termini definiti dall'utente. Come utente, decidi cosa vuoi imparare nell'esperimento selezionando il modello. I design classici lo sono incentrato sul design in quanto definiscono il progetto e ci si aspetta che l'utente adatti le sue domande a quel progetto predefinito. In molti casi gli approcci moderno e classico porteranno allo stesso progetto perché i progetti classici sono ottimali per adattarsi ai modelli standard. I design moderni ti consentono di trovare il design ottimale in situazioni in cui gli approcci classici non funzionerebbero, come quando hai uno spazio fattoriale di forma irregolare che devi esplorare.
L'avventura continua
E questo è tutto. Osservando i risultati, è stato interessante vedere con quale frequenza emergevano queste domande. Mi ha ricordato qualcosa che dicevano molti dei miei insegnanti: "Fai la domanda, perché è molto probabile che anche gli altri ce l'abbiano ma siano troppo timidi per chiederla".
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, buona sperimentazione!
