Diseño de detección personalizado del DoETengo dos preguntas muy básicas sobre el diseño de detección personalizado del DoE.
1. Si solo quisiera saber qué efectos principales son importantes para mis respuestas y utilizar el diseño de detección de efectos principales personalizado con los números de ejecución predeterminados proporcionados por JMP, ¿cómo puedo estar seguro de si es el efecto principal u otro efecto de confusión bidireccional? interacción que es realmente significativa? Si el análisis del modelo muestra que el factor A es significativo pero A está parcialmente correlacionado con B*C, ¿qué factor(es) deberían incluirse en el diseño de optimización más adelante? Supongo que solo los efectos principales que son significativos, como el factor A, deberían investigarse más a fondo para el diseño de optimización siguiendo el diseño de detección de efectos principales, pero B y C faltarán si B*C se correlaciona parcialmente con el factor A pero B y C no son significativos. ¿Cuáles son los principales efectos del screening DoE?
2. Cuando incluyo algunos factores no controlados en el modelo, JMP ya no muestra el mapa de colores para la correlación. ¿Cómo puedo evaluar el diseño con factores no controlados?
Gracias
LL
Diseño de experimentosRe: Diseño de detección personalizado del DoEPido disculpas por tantas preguntas y gracias por la recomendación de libros y artículos de revistas.Re: Diseño de detección personalizado del DoENo exactamente, pero nuevamente esto depende de si pretendes hacer un BIB o RCDB.
Debo disculparme, pero no creo que sea muy eficaz enseñarte cómo manejar los problemas que enfrentas en este chat comunitario. Te sugiero leer artículos/libros sobre el tema para que puedas exponerte a las diferentes metodologías y aplicaciones.
Aquí hay algunos artículos que sugiero:
- Lijadoras, D., Leitnaker M. y McLean R. (2002) "Diseños de bloques completos aleatorios en estudios industriales" Ingeniería de calidad, vol. 14, Número 1
- Caja, GEP, Stephen Jones (1992), “ Diseños de parcelas divididas para una experimentación sólida de productos ”, Revista de Estadística Aplicada , vol. 19, n° 1
- Jones, Bradley, Christopher J. Nachtsheim (2009) "Diseños de trama dividida: qué, por qué y cómo", Revista de tecnología de calidad , vol. 41, núm. 4, págs. 340-361
- Bisgaard, Søren, (2000), “ El diseño y análisis de 2 kp x2 qr Experimentos de trama dividida ”, Revista de tecnología de calidad , vol. 32, n° 1, enero
- Bisgaard, Søren, Murat Kulahei, (2001), “ Diseño de producto sólido: ahorro de pruebas con confusión de trama dividida ”, Ingeniería de calidad , 13(3), 525-530
Re: Diseño de detección personalizado del DoELo pensé de nuevo... ¿estás sugiriendo separar manualmente las filas de datos del modelo en dos bloques agregando una columna con el valor "-1" y "1"? Si tengo 20 ejecuciones en total pero solo puedo ejecutar 10 ejecuciones en un día, debo agregar manualmente una columna en el modelo como factor de bloque "día" y asignar "-1" a las primeras 10 ejecuciones y "1" a las 11. ¿20 carreras? Lo siento si entendí mal tu punto.Re: Diseño de detección personalizado del DoELo siento... No puedo seguir los comentarios, pero todo lo que planeé hacer es separar el número total de ejecuciones en dos bloques usando el día como factor de bloque. ¿Hay alguna manera de hacerlo usando JMP con factores HTC? ¡Gracias!
Re: Diseño de detección personalizado del DoE¿Está interesado en bloques incompletos equilibrados o bloques completos aleatorios? Normalmente no uso el bloqueo JMP integrado, ya que trata los bloques como efectos aleatorios. Prefiero diseñar experimentos en los que sé qué ruido se confunde con el bloque y asigno los efectos de interacción Bloque y Bloque por factor al modelo. Para hacer esto, copio un bloque completo, lo pego en la primera celda abierta en la primera columna debajo del primer bloque, luego agrego una columna y la llamo bloque (primer bloque -1, segundo bloque 1). Normalmente también diseño experimentos con solo 2 bloques (principalmente aplicaciones de experimentos industriales frente a agrícolas). No estoy interesado en la curvatura (no lineal) de un efecto de bloque ya que no tiene sentido.
Re: Diseño de detección personalizado del DoEPreguntas sobre el bloqueo para este diseño...
Como necesitaré varios días para completar todas las ejecuciones, me gustaría bloquear el diseño. Sin embargo, dado que tengo factores HTC en mi diseño, no veo la opción "ejecuciones grupales en bloques aleatorios de tamaño". Puedo agregar un factor de bloqueo a la lista de factores, pero no estoy seguro de si es la forma correcta de hacerlo, ya que el factor de bloqueo (día) se tratará como bloqueo fijo.
Re: Diseño de detección personalizado del DoENo, puede hacer que los efectos se muestren como significativos en el gráfico Normal y, sin embargo, no tengan ningún significado práctico.
Re: Diseño de detección personalizado del DoENuevamente, no puedo ayudar sin la tabla de datos.
Re: Diseño de detección personalizado del DoESupongo que cualquier factor con un efecto estimado mayor que el cambio mínimo prácticamente significativo en el gráfico de Pareto es significativo y también debería desviarse de la línea normal en el gráfico Normal. ¿Ambas tramas deberían dar la misma conclusión?
Re: Diseño de detección personalizado del DoE¡Gracias por las sugerencias! Intenté obtener el gráfico Normal, pero las tres opciones de trazado en Detección de efectos estaban atenuadas y no estaban disponibles para mostrarse.
" Lo primero que hago siempre es comprobar su significado práctico. ¿Creaste una variación de algún valor práctico? ¿Cuál es el incremento más pequeño de cambio en la respuesta que cree que tiene valor científico o de ingeniería? Después de establecer este valor, traza la línea en el diagrama de Pareto e identifica qué factores tuvieron un efecto prácticamente significativo. Luego busque estos efectos en la trama Normal (Trama de Daniels)".
Puedo estimar las desviaciones estándar de todos los factores y conocer el cambio mínimo prácticamente significativo en respuesta, pero no estoy seguro de tu sugerencia ". Después de establecer este valor, traza la línea en el diagrama de Pareto e identifica qué factores tuvieron un efecto prácticamente significativo. Luego busque estos efectos en la trama Normal (Trama de Daniels)". ¿Puedes explicarnos un poco más cómo hacerlo y por qué hacerlo? ¡Gracias!
Re: Diseño de detección personalizado del DoE@JMP38401 Perdón por la demora... Es difícil mirar solo el resultado que compartió y sacar conclusiones. Parece que tienes un diseño no replicado y tu modelo está saturado. Si este es el caso, es posible que desee intentar obtener gráficos normales para significancia estadística (a veces debe ignorar la línea PSE de longitud), diagramas de Pareto para significado práctico y diagramas de Bayes si le gusta la filosofía bayesiana (Ajustar modelo>Triángulo de opción rojo). junto a respuesta>Detección de efectos). Lo primero que hago siempre es comprobar su significado práctico. ¿Creaste una variación de algún valor práctico? ¿Cuál es el incremento más pequeño de cambio en la respuesta que cree que tiene valor científico o de ingeniería? Después de establecer este valor, traza la línea en el diagrama de Pareto e identifica qué factores tuvieron un efecto prácticamente significativo. Luego busque estos efectos en la trama normal (trama de Daniels).
En lo que respecta a la optimización, es extremadamente difícil brindar asesoramiento con la cantidad de contexto que ha brindado. Tenga en cuenta que la optimización está lejos de ser solo un diseño estadístico. Requiere interpretación de alguien que entienda la ciencia/ingeniería. Sin embargo, un par de pensamientos:
1. No estás intentando crear un modelo no lineal increíblemente complejo que lo describa todo. Los modelos están destinados a ser aproximaciones eficientes que sean útiles para la predicción.
2. NO debería optimizar los factores de diseño a menos que comprenda completamente el ruido.
3. ¿Qué quisiste decir con RSM? GEP Box implica que se trata de experimentación secuencial. No es un diseño compuesto central.
4. También deberías pensar en métodos multivariados. No sirve de nada optimizar una Y sacrificando otras.
Re: Diseño de detección personalizado del DoEHaga un seguimiento con el DoE personalizado para evaluar los efectos principales; a continuación se muestran los resultados de ajuste del modelo. ¿Es seguro decir que los factores con una relación t menor que 2 se pueden eliminar y que solo aquellos factores con una relación t mayor que 2 se usarán para el diseño de optimización utilizando un RSM a continuación? Si el valor p está disponible para cada factor, creo que los factores con un valor p menor que 0,05 deberían incluirse en el DoE de optimización de RSM a continuación. Se agradecerá cualquier sugerencia sobre este proceso de pensamiento. ¡Gracias!
Re: Diseño de detección personalizado del DoENo hay una respuesta absoluta. Eso depende. El impacto de la correlación es la inflación de la varianza, lo cual es malo. La correlación perfecta (confusión) infla la varianza hasta el infinito. Pero por lo demás depende de la variación con la que empieces. Una varianza pequeña podría tolerar una correlación grande, mientras que una varianza grande toleraría muy poca inflación.
Re: Diseño de detección personalizado del DoEPerdón por dar un número incorrecto, el valor de correlación es 0,33 en lugar de 0,033. Creo que 0,33 será demasiado grande, pero no estoy seguro de qué tan pequeño es lo suficientemente bueno. Gracias
Re: Diseño de detección personalizado del DoE@statman te está guiando muy bien. Mi único comentario adicional desde "al margen" es que estás pensando en términos de métodos de diseño antiguos. Los principios de diseño nunca cambian pero los métodos continúan mejorando. El diseño personalizado es un método nuevo. Permite estrategias que eran imposibles hace apenas dos décadas. Pero las nuevas capacidades conllevan la responsabilidad de aprender tanto los principios como las formas del nuevo método.
Por ejemplo, la incertidumbre en los efectos activos es un problema desde el inicio del DOE estadístico hace un siglo. Después de que aparecieran diseños factoriales fraccionados regulares por motivos de economía en los experimentos de selección, el método dictó la estrategia. Resultó en estimaciones confusas (estimaciones perfectamente correlacionadas).
Preste mucha atención a @statman Preguntas sobre variación o ruido. Éstas son preguntas clave que un experimentador ávido debe abordar para obtener la mayor cantidad de información con la mayor confianza a partir del diseño más pequeño.
Re: Diseño de detección personalizado del DoEEs una cuestión de señal a ruido. Una señal muy grande (estimación de parámetros distintos de cero) se estimará bien incluso si existe correlación. La correlación no sesga la estimación ni el modelo. Infla el error estándar de la estimación. Considero que 0,033 es muy pequeño.
Re: Diseño de detección personalizado del DoEToda la información de evaluación del diseño es una función de la matriz de diseño, pero las columnas de los factores no controlados están vacías.
Re: Diseño de detección personalizado del DoESolo para agregar una cosa, la correlación entre X1 (HTC) y X2 (HTC) en el mapa de colores es 0.033, lo que me parece demasiado grande. ¿Existe algún valor sugerido para la correlación máxima para no preocuparse por el alias? ¡Gracias!
Re: Diseño de detección personalizado del DoE
Arriba está el diseño con 10 factores (7 factores continuos con 3 de ellos HTC. 3 factores más incontrolados.
Después de realizar el diseño, no veo la plataforma de Evaluación de Diseño como veo normalmente cuando no hay factores no controlados.
Tuve que hacer clic en Crear tabla y luego hacer clic en Diálogo DoE para ver la Evaluación del diseño. Sin embargo, cuando verifiqué los factores, X8, X9 y X10 se volvieron "Continuos" en lugar del "No controlado" original. No estoy seguro de por qué y cómo eso afecta la evaluación del diseño. La última imagen a continuación muestra el mapa de colores de correlación obtenido de esta manera.
Mi pregunta principal es si este diseño es un buen diseño para determinar qué efecto(s) principal(es) de esos 10 factores son significativos sin preocuparme por su confusión entre sí y con otras interacciones bidireccionales. Mi plan es utilizar esos efectos principales importantes de este DoE de detección para mi próximo DoE de optimización utilizando RSM. ¡Muchas gracias!
Re: Diseño de detección personalizado del DoEEl diseño personalizado es muy flexible. Es posible definir un modelo de efectos principales y la matriz de alias de dos interacciones y aún así obtener correlaciones. Por ejemplo, el número de corridas podría impedir que se realice un diseño ortogonal. Piense en 3 factores en 7 carreras.
¿Puede publicar una imagen de los elementos de diseño personalizados (factores, modelo, matriz de alias, diseño y mapa de correlación)?
Re: Diseño de detección personalizado del DoE¡Gracias por la rápida respuesta!
"2. Si sospecha efectos de interacción (≥2.º orden), es posible que desee aumentar la resolución a IV+".
Sé cómo encontrar las resoluciones de diseño en Minitab, pero no puedo distinguir la resolución de diseño de JMP Custom Design. ¿Puede decirme cómo obtener la información de resolución del diseño en JMP?
"4. No entiendo completamente tu segunda pregunta. Si tiene covariables en la tabla de datos, ciertamente podrá ver la correlación entre las covariables y los factores de diseño. Métodos multivariados>Multivariado proporcionará diagramas de dispersión y, al seleccionar las opciones (triángulo rojo), podrá obtener mapas de colores. Por supuesto, si tiene muchos, puede obtener VIF haciendo clic derecho en la tabla de resultados de estimaciones de parámetros y agregando >Columnas>VIF".
Perdón por la confusion. Cuando no tengo ningún factor no controlado (en la columna Función del factor, dice No controlado en lugar de continuo, etc.), puedo ver el mapa de colores de correlación y la Matriz de alias en Evaluación de diseño. Sin embargo, una vez que agrego factores no controlados, la evaluación del diseño desaparece y no puedo ver la matriz de alias, el mapa de colores de correlación y el análisis de potencia, etc.
Re: Diseño de detección personalizado del DoE¡Gracias por la rápida respuesta!
" Introduzca los efectos principales en la lista de términos en Modelo. Asegúrese de que todas las interacciones bidireccionales estén en la lista de términos en Alias. Haga clic en el triángulo rojo en la parte superior y seleccione Criterio de optimización > Crear alias de diseño óptimo".
Intenté esto y no vi ningún cambio en Alias Matrix en Evaluación de diseño de los modelos. ¿Me perdí algo o cómo sé que el modelo está optimizado para Alias? Lo siento si no entendí bien cómo funciona "Hacer un diseño óptimo de alias" al suponer que veré un efecto de correlación más bajo en Alias Matrix o el mapa de colores de correlación.
"(Debe adivinar el número de términos realmente activos y agregar ejecuciones al mínimo para ellos)".
Tengo 7 factores continuos con 3 de ellos HTC. También tengo 3 factores no controlados cuyos valores registraré durante mis ejecuciones del DoE, es decir, 10 factores en total. Cuando creé el diseño de detección usando la plataforma DoE personalizada, tengo 11 números mínimos de ejecuciones (10 factores más la intercepción) y 18 ejecuciones como valor predeterminado. Hay 45 interacciones bidireccionales bajo Términos de alias. Si sospecho que 10 de esas 45 interacciones bidireccionales podrían ser términos activos, su sugerencia es agregar esas 10 interacciones bidireccionales al modelo, cambiar su Estimabilidad a Si es posible y agregar 10 ejecuciones al mínimo de 11 ejecuciones para lograr ¿Son 21 ejecuciones en total o agregar las 10 ejecuciones a las 18 ejecuciones predeterminadas para obtener 28 ejecuciones en total? Como tengo factores HTC en el modelo, el diseño de pantalla definitivo no parece funcionar.
Re: Diseño de detección personalizado del DoE@JMP38401 , Aquí están mis pensamientos:
1. Hay tres principios en los que nos basamos para los factoriales fraccionarios y los diseños de pantalla:
Escasez: hay relativamente pocos efectos significativos (análogo al principio de Pareto)
Jerarquía: 1er orden > 2do orden >> 3er orden, etc.
Herencia: para que una interacción sea significativa, al menos uno de los padres debe serlo.
Con respecto a su pregunta, mi consejo es predecir los efectos del modelo de orden de clasificación (al menos hasta el segundo orden). Sus predicciones sobre qué efectos cree que serían razonables y probablemente afectarán la selección de la resolución del diseño. Si todos sus efectos de primer orden se ubican por encima de los efectos de segundo orden, entonces parece razonable una resolución más baja para comenzar el proceso iterativo de investigación. De hecho, este es el principio de jerarquía. Ampliar el número de factores (efectos de primer orden) confundiendo efectos de orden superior.
2. Si sospecha efectos de interacción (≥2.º orden), es posible que desee aumentar la resolución a IV+.
3. Sé que no represento la mayor parte del pensamiento sobre diseños óptimos. No soy un gran partidario de la "confusión parcial" para crear un diseño más eficiente, ya que si hay casos que no tienen sentido en el análisis de datos, la siguiente iteración puede ser una elección difícil (por ejemplo, los diseños plegables no funcionan ).
4. No entiendo completamente tu segunda pregunta. Si tiene covariables en la tabla de datos, ciertamente podrá ver la correlación entre las covariables y los factores de diseño. Métodos multivariados>Multivariado proporcionará diagramas de dispersión y, al seleccionar las opciones (triángulo rojo), podrá obtener mapas de colores. Por supuesto, si tiene muchos, puede obtener VIF haciendo clic derecho en la tabla de resultados de estimaciones de parámetros y agregando >Columnas>VIF.
Re: Diseño de detección personalizado del DoE" Si solo quisiera saber qué efectos principales son importantes para mis respuestas y utilizar el diseño de detección de efectos principales personalizado con los números de ejecución predeterminados proporcionados por JMP, ¿cómo puedo estar seguro de si es el efecto principal u otra interacción bidireccional confusa lo que es realmente significativo? "
Introduzca los efectos principales en la lista de términos en Modelo. Asegúrese de que todas las interacciones bidireccionales estén en la lista de términos en Alias. Haga clic en el triángulo rojo en la parte superior y seleccione Criterio de optimización > Crear alias de diseño óptimo.
" Si el análisis del modelo muestra que el factor A es significativo pero A está parcialmente correlacionado con B*C, ¿qué factor(es) deberían incluirse en el diseño de optimización más adelante? Supongo que solo los efectos principales que son significativos, como el factor A, deberían investigarse más a fondo para el diseño de optimización siguiendo el diseño de detección de efectos principales, pero B y C faltarán si B*C se correlaciona parcialmente con el factor A pero B y C no son significativos. ¿Cuáles son los principales efectos del screening DoE? "
Si sospecha que los términos de orden superior están potencialmente activos, le recomiendo dos formas. Primero, agregue todos los términos potenciales en la lista Modelo. Seleccione estos términos y haga clic en Necesario en la columna Estimabilidad, luego seleccione Si es posible. Este cambio producirá dos resultados. El primer resultado es que el número mínimo de ejecuciones disminuirá porque está determinado por el número de parámetros que deben estimarse. (Debe adivinar el número de términos realmente activos y agregar ejecuciones al mínimo para ellos). La otra forma es utilizar un diseño de selección como Definitive Screening Design. Esta forma funcionará siempre que se trate de una verdadera situación de detección en la que se cumplan los principios clave de detección. ¿Cuántos factores tienes? ¿Cuántos probablemente estarán activos?
No sé la respuesta a tu segunda pregunta, que se me viene a la cabeza. Quizás alguien más tenga ese conocimiento.
