Cómo seleccionar el mejor diseñoEstimados,
Nos gustaría hacer experimentos con 5 factores continuos. Nuestro sistema es una reacción química. Sabemos que hay interacciones entre los factores, pero no sabemos en qué medida. Nos gustaría maximizar la cantidad de producto.
Hay muchos DOE posibles. Pienso en
-diseño compuesto central,
-O primera parte (para efectos principales y puntos centrales) y luego aumentar el diseño,
-O DSD y luego aumentar el diseño
-O diseño personalizado con orden 2d e interacciones cuadráticas
-O diseño personalizado y seleccione RSM.
¿Cómo puedo seleccionar el mejor diseño para nosotros? ¿Qué argumento me ayudaría a elegir?
Gracias
GAMARe: Como elegir el mejor diseñoNo desea reducir el ruido per se, desea que el ruido sea representativo del ruido real/real en el proceso. Por supuesto, a medida que el ruido se vuelve más representativo, puede afectar negativamente la precisión de la detección de los efectos de los factores. Ahí es cuando necesita una estrategia de ruido (por ejemplo, bloques, parcelas divididas) para dividir el ruido.
“Desafortunadamente, los experimentos futuros (ensayos futuros, la producción de mañana) se verán afectados por condiciones ambientales (temperatura, materiales, personas) diferentes a las que afectan este experimento… Es solo por el conocimiento del tema, posiblemente con la ayuda de experimentos adicionales (cursiva agregado) para cubrir una gama más amplia de condiciones, que uno puede decidir, con el riesgo de estar equivocado, si las condiciones ambientales del futuro serán lo suficientemente parecidas a las de hoy para permitir el uso de los resultados disponibles”.
doctor deming
"Bloquea lo que puedas, aleatoriza lo que no puedas"
GEP CajaRe: Como elegir el mejor diseñoDesea rangos agresivos para los factores que proporcionarán un gran cambio en la respuesta. Esa es una ventaja de los factores continuos que no es posible con los factores categóricos. El punto es que desea alta potencia e intervalos de confianza pequeños. Una prueba consiste en encontrar al ganador. Un experimento se trata de modelar. El modelo encontrará al ganador. Entonces, un experimento que produce respuestas buenas y malas es el mejor. Su modelo será más realista.
Re: Como elegir el mejor diseñogracias marca
De hecho, sé que todos estos factores son importantes. Sin embargo, no sé cómo interactúan en su rango de valores.
Además, por un factor, desconozco el valor mínimo necesario para obtener una cantidad significativa de producto. Por lo tanto, el rango seleccionado podría ser demasiado grande: tal vez el valor más bajo seleccionado dará una respuesta baja, independientemente de los valores de los otros factores.
En el enfoque que sugiere, entiendo que el objetivo es reducir el costo de los experimentos. Sin embargo, no queremos perder ningún efecto. Por lo tanto, elegiría mantener todas las ejecuciones. Con 3 puntos centrales (pedidos por un compañero), considerando términos de segundo orden y cuadráticos da 28 corridas; RSM proporciona 27 ejecuciones y un perfil de varianza de predicción más bajo. Por lo tanto, RSM parece ser el mejor.
Re: Como elegir el mejor diseñoHola Statman, creo que los puntos 1 y 2 están bien. Hicimos pruebas previas con respecto al sistema de medición y preparamos las pruebas de manera de reducir el ruido tanto como fuera posible. Muchas gracias por tus otras sugerencias.
Re: Como elegir el mejor diseñoHay una serie de consideraciones al elegir un diseño. Nadie sabe cuál funcionará mejor hasta después de ejecutar el experimento. Mi consejo es crear varios diseños, enumerar los pros y los contras de cada uno, lo que se puede aprender de cada uno (lo que se separa, lo que se confunde y lo que se restringe) y sopesar el posible conocimiento adquirido frente a los recursos necesarios.
Una cosa que no veo que se aborde es el ruido. Hay un par de preguntas:
1. ¿Qué confianza tiene en el sistema de medición? Las ejecuciones repetidas pueden ayudar a evaluar esto en el contexto del experimento.
2. ¿Cuáles son sus estrategias para maximizar la probabilidad de que el experimento represente condiciones futuras? Por ejemplo, es probable que los productos químicos utilizados en la reacción química provengan de procesos continuos que se distribuyen en lotes. ¿Cuánta variación hay dentro del lote y entre lotes? ¿Las condiciones ambientales tienen un efecto? ¿Le preocupa la configuración del proceso?
Considere bloques o parcelas divididas para administrar la precisión del experimento sin comprometer el espacio de inferencia.
3. Sugiero crear un orden de clasificación predicho de efectos del modelo hasta factorial de segundo orden y polinomio de segundo orden. Esto ayudará a decidir la resolución que necesita y si considera que la desviación de un modelo lineal es significativa y, por lo tanto, necesita agregar niveles para estimar esto.
4. Por último, predecir todos los resultados posibles y anticipe lo que hará con la información obtenida de cada resultado. Por ejemplo, si ejecuta el experimento y crea una cantidad de variación prácticamente significativa, pero ninguna de ellas es asignable a los efectos de los factores, ¿qué hará? Si el factor A es significativo y el nivel + es mejor, ¿qué harás? Si el factor A es significativo y el nivel es mejor, ¿qué hará? Si el factor A es insignificante, ¿qué harás? etc.
Re: Como elegir el mejor diseñoApuesto a que los 5 factores son importantes y ya lo sabes por el conocimiento previo de la reacción química. Si es así, entonces no comenzaría con un experimento de detección porque es probable que los principios clave de la detección no se mantengan. Sin embargo, existe incertidumbre acerca de los efectos de los factores, por lo que puede utilizar el atributo de estimabilidad de los términos del modelo para especificar esa incertidumbre.
Probablemente se reducirá a su presupuesto de carreras. Así que haría un diseño personalizado para los 5 factores. (¿Hay algún factor difícil de cambiar?) Haría clic en el botón RSM en la sección Modelo. Introducirá términos en el modelo para todas las posibles interacciones de segundo orden y no linealidades. (Esta acción también cambiará el criterio a I-óptimo.) Ahora inspeccione cada término en el modelo. Pregúntate si sabes que este término es necesario, sabes que no es necesario o crees que podría ser necesario. Elimina cualquier término que sepas que no es necesario. Deje en paz todos los términos que sabe que son necesarios. Cambie la estimabilidad de los términos restantes a Si es posible. Este proceso resultará en dos cambios. El número mínimo de ejecuciones disminuirá: este número es igual al número de parámetros que deben estimarse. Además, el diseño será I-óptimo para todos los modelos posibles. Ahora aumente el número de carreras de la siguiente manera. Agregue 3-4 ejecuciones para cada término si es posible que pueda ser significativo. Digamos que tengo 10 términos para interacciones que podrían ser posibles, no sé cuáles estarán activos, pero creo que 2 de ellos estarán activos. Agregue 6-8 carreras al mínimo.
¿Tiene sentido este razonamiento y enfoque?
